Hui Yuan1, Weiwei Deng2
（1.上海外国语大学，上海，中国，
2.华南师范大学，广州，中国）
医疗保健是人类最重要的服务之一。随着数字平台经济的到来，在线医疗咨询平台在医生和患者之间越来越流行。通过这些平台，患者可以通过在线描述自己的健康状况，方便快捷的咨询医生。平台的成功还有赖于平台数量充足的医生。例如，在Practo（www.practo.com）、春雨医生（www.chunyuyisheng.com）和好大夫（www.haodf.com）平台上，分别有超过10万、50万和61万名医生。因此，为患者寻找合适的医生是必要的，可以降低患者的搜索成本。
以往的医疗保健研究提出了不同的推荐方法，帮助患者找到合适的医生。研究在方法设计上有不同侧重。一些研究旨在向患者推荐高质量的医生，一些研究关注患者和医生之间的信任，同时也有研究在推荐医生的同时考虑隐私问题。尽管以往的研究均致力于医生推荐，但很少关注医疗咨询平台数据稀疏性的问题。由于患者和医生在平台上的互动很少，患者也较少的提供信息。基于此，获取患者的偏好并据此推荐医生是一项挑战。为了解决数据稀疏问题，我们采用知识图谱，我们通过患者和医生之间的潜在关系提取特征，为推荐阶段提供更加丰富的特征集。同时，通过知识图谱中的路径为推荐结果进行解释，实现可解释推荐。
具体的，框架包括数据层、特征层和推荐层。数据层从原始数据中提取实体及其关系，构建健康知识图谱，主要包括：患者、医生、医院、城市、性别和疾病相关关键词。我们通过超文本标记语言解析器和文档对象模型解析器等网页解析技术提取实体构建疾病词汇表。我们进一步邀请了两位医疗保健领域专家，通过删除领域之外的关键词来完善词汇表。最终，健康知识图包含提取实体之间的五种关系：患者与医生的会诊关系、医生与医院的雇佣关系、患者/医院与城市的居住关系、患者/医生与性别的两性关系、患者/医生与疾病的有关关系。特征层包括交互特征和个体特征。前者代表知识图谱中的路径，后者代表医生的服务质量。特征层利用目标患者提供的少量信息，提取目标患者与医生之间的路径作为交互特征。由于知识图谱的多关系性，患者与医生之间存在不同类型的路径连接。不同类型的路径表明患者与医生之间不同的隐性互动特征。在本研究中，我们考虑长度大于1且小于给定长度4的路径。同时考虑医生的个体特征，如：学历、职称、会诊费用、个体诊断患者数、个体满意度。在交互性和个性化特征的基础上，开发了一个可解释的深度学习模型来生成推荐。在本研究中，我们将所有特征传输到深度神经网络（Deep Neural Networks，DNN）的输入层，以开始训练过程。DNN将输入层的特征映射到一系列隐藏层，最后映射到输出层。然而，标准DNN是一个黑盒模型，并没有阐明为什么推荐医生。为了根据特征对推荐的贡献来解释推荐结果，我们将逐层相关性传播技术（Layer-wise Relevance Propagation，LRP）技术与DNN结合起来。LRP在神经网络上运行一种向后传递的守恒关联再分配过程，确保对更高层贡献更多的神经元从该层获得更多的关联。
我们在三个数据集（皮肤科、耳鼻喉科、肺内科）上进行了实验，结果一致表明该方法优于不同基线。首先，我们的方法优于只具有个体特征的DNN模型、只具有交互特征的DNN模型以及同时具有个体特征和基本交互特征的DNN模型。其次，对实验结果进行了验证我们的方法优于几个传统的机器学习模型。第三，我们的方法优于两种设计用于解决数据稀疏问题的最先进的推荐方法。此外，定性和定量分析均证实了所提方法的可解释性。本研究具有理论和管理意义。
资料来源：
根据Hui Yuan和Weiwei Deng于2021年发表在Internet Research期刊题目为《Doctor recommendation on healthcare consultation platforms: an integrated framework of knowledge graph and deep learning》的文章缩写整理而成。
