8个研究背景和意义示例,教你写计算机药品推荐论文

今天分享的是关于药品推荐的8篇计算机毕业论文范文, 如果你的论文涉及到药品推荐等主题,本文能够帮助到你

基于知识图谱的推荐系统

这是一篇关于知识图谱,药品推荐,数据处理,疾病问诊,系统构建的论文, 主要内容为随着社会的进步与发展,互联网+的快速发展,药品推荐系统层出不穷,而药品推荐系统的核心则是针对于药品信息的数据处理与分类。因现阶段针对国内药物并没有权威可用且契合的公开数据集,所以各种推荐系统所使用的数据均存在数据缺失的问题,且现存的各类数据文本分类算法又存在特征提取不准确、模型泛华能力弱等问题。而针对此种问题,本文的研究工作与创新点如下。(1)数据的收集和处理:针对数据缺失问题,利用python语言编写爬虫脚本越过各大医药网站的反爬机制对其药品的半结构化数据(包括药品本身的详细介绍以及销量信息和评价)进行爬取,然后使用jieba分词工具以及CNN网络对其进行中文分词的去除。而药品的销量信息与评价信息则需要单独整理以供后续推荐时进行比对使用。(2)知识图谱的构建:针对特征提取不准确、模型泛华能力弱等问题提出了Attention-BiLstm-BiGRU模型,并在神经元个数、维度、批次等分别对它测试优化,已达到在本数据集上有最优效果;它由注意力机制、双向门控和双向长短时网络组成。该模型首先通过双向LSTM和双向GRU分别对文本序列进行建模,以捕捉文本中的上下文特征,采用双向是因为能够同时考虑文本序列的前后文信息,然后将LSTM和GRU的输出进行拼接;然后使用注意力机制对提取到的特征进行加权,以便将重要的特征突出显示。在第一阶段整理好的药品数据集上与BiLstm、BiGRU以及注意力机制进行对比后,分别有2%、13%、8%的提升,验证了模型的有效性。(3)药品推荐系统的设计和实现:综合以上几点,设计并实现了基于智能问答的推荐系统。该系统使用基于skip-gram模型编写推荐算法,对用户输入的问题从图数据库中选择准确的信息进行推荐,满足用户的需求。用户输入的症状越多,推荐的药品也会越准确,并在推荐之前会与销量表对比确保推荐最适合症状的建议药品供用户选择。这个系统的核心功能包括存储、获取数据、智能回答问题、展示疾病药品知识和推荐药品。通过这个系统,我们可以将医疗诊断和药品信息整合起来,相比现在只提供药品购买服务的平台有了更大的进步,能够帮助用户解决购药难的问题,非常实用。

基于知识图谱的药品推荐系统的研究与实现

这是一篇关于药品推荐,知识图谱,协同过滤推荐,知识表示学习,网上药店系统的论文, 主要内容为近年来我国网上药店数量飞速增长,用户在网上药店进行购药时,药品种类繁多,而用户自身对于药品和病症专业知识了解甚少。在购药时,很难快速准确的找到自己所需药品。所以一个好的药品推荐系统对于网上药店至关重要。在现有的网上药店中,已经应用了一些推荐系统,比如直接按照药品销量进行排序推荐,但是这样的推荐方式显然不能起到很好的辅助购药效果。针对这一问题,本文提出融合知识图谱与协同过滤的药品推荐算法。并实现了与算法相匹配的个性化药品推荐网上药店系统。本文的主要研究工作如下:(1)药品领域知识图谱的构建使用Python的Scarpy框架从三个医疗健康网站(寻医问药药品网、家庭医生网、39健康网)爬取药品相关数据信息,参考专业医疗信息服务平台OMAHA(开放医疗与健康联盟)药品知识图谱构建结构采用自顶而下的方式抽象药品领域知识图谱实体和关系,随后进行知识抽取和知识融合得到药品知识图谱三元组信息,并使用Neo4j图数据库中对三元组信息进行存储,完成药品领域知识图谱的构建。(2)融合知识图谱与协同过滤的药品推荐算法传统药品推荐算法忽略药品自身语义信息而导致推荐精度不高,本文通过构建药品知识图谱引入药品间的语义信息作为重要推荐依据,使用知识表示学习翻译模型Trans R将药品知识图谱映射到低维连续的向量空间中获取药品实体及其关系,从而计算得出药品间的语义相似度,并结合协同过滤得出的行为相似度得出融合相似度,根据融合相似度进行评分预测并生成推荐列表。(3)个性化药品推荐网上药店系统设计与实现基于上述算法模型,结合网上药店系统的开发需求,采用B/S的架构对个性化药品推荐网上药店系统进行开发。系统前端使用Vue3,后端使用Spring Boot、Spring Cloud等技术,根据业务划分模块,以微服务的方式完成系统整体搭建。完成了药品推荐算法与网上药店系统的融合。实验结果表明,本文算法在药品推荐任务领域准确率、召回率和F值三项指标与包括协同过滤在内的基准算法对比均有一定程度提升,可以给出用户更好的药品推荐结果。个性化药品推荐网上药店系统在使用过程中运行状态良好,达到预期需求。

基于知识图谱的药品推荐系统的研究与实现

基于智能问诊的药品推荐系统的研究与实现

这是一篇关于精神科疾病,药品推荐,数据处理,疾病分类,线上问诊的论文, 主要内容为电子商务模式的迅猛发展,影响着人们的生活方式,线上购药逐渐成为一种发展趋势。但是,目前销售平台将药品按照普通商品的模式,通过销量、用户点击等行为进行统一的商业化推荐,没有考虑到药品的特殊性以及不同疾病之间药品的差异性。根据疾病类型对药品进行针对性推荐,能准确、高效的帮助用户寻找到符合自身需求的药品,由于疾病种类繁多,因此选择了特点显著的精神科疾病作为研究对象。精神科疾病和普通身体疾病不同,患者通常会有病耻感,导致就诊率不高,网上问诊更具有实际意义,且精神科疾病药品大多为处方药,将疾病问诊与药品推荐整合,更能保证推荐结果的专业性,系统对这类药品进行展示,作为辅助用药的参考。本文以精神科疾病作为研究案例,对后续根据更多的疾病种类进行药品推荐的研究以及形成医疗和药品一体的平台具有重要的研究价值和指导意义。本文研究并实现了基于智能问诊的药品推荐系统,该系统能够根据用户的病情描述、精神科疾病辅助诊断问题的回答等信息输出用户所患疾病,再推荐治疗疾病的相关药品。主要工作如下:1.数据的采集和预处理。数据主要来源为“好大夫在线”医患交流平台中精神科疾病的问诊数据,对爬取的数据进行分词、词性标注、提取关键词等预处理操作。针对单一关键词提取算法不能有效挖掘文本信息的问题,本文将TF-IDF和词性融合到Text Rank算法中并设置对比实验,实验表明融合后的关键词提取算法能更好的提取文本特征。另外,通过设置关键词提取个数的对照试验,研究不同的关键词个数对模型有效性的影响。2.疾病诊断模型的研究与构建。疾病诊断的实质是根据用户的病情描述以及精神科疾病辅助诊断问题的回答进行疾病分类。首先,对Fast Text算法进行研究分析,针对Fast Text算法输入层数据中的无关词汇影响分类效果的问题,本文将输入层数据使用融合的关键词提取算法进行关键词提取操作。其次,采用Fast Text、多分类逻辑回归(Multiple classification Logistic Regression,MLR)、双向长短期记忆网络(Bi-directional Long Short-Term Memory,BI-LSTM)三种分类模型在医疗数据集上进行训练和测试。经研究比较,Fast Text相较于其余两种算法在运行速度和模型效果上更有优势。结合应用需求,将Fast Text算法作为疾病分类的最终算法。3.疾病问诊与药品推荐。疾病问诊流程包括:首先,由用户根据自身情况进行病情描述;其次,患者回答精神科疾病辅助诊断问题,该题的设置可以使提问更具有专业性和代表性;最后,利用疾病分类模型对病情描述、辅助诊断题的回答等信息进行疾病判断,输出概率最高的疾病种类。问诊结束后,根据疾病问诊结果向用户推荐治疗该种疾病的药品,为了更合理有效的推荐相关药品,采用Jaccard相似系数对药品数据进行相似度计算从而将治疗同种疾病的药品通过相似度关联在一起,作为用药辅助依据。4.药品推荐系统的设计与实现。根据上述研究内容,设计并实现了基于智能问诊的药品推荐系统。该系统的核心包括用户信息管理、智能问诊、疾病知识、药品推荐等模块。通过此系统将问诊与药品进行资源整合,相较于目前只提供药品购买服务的平台具有一定的进步,帮助用户解决生活中的需求,具有较高的实用价值。

基于深度学习的疾病辅助诊断和药品推荐

这是一篇关于电子病历,疾病诊断,药品推荐,1D-DLSTM模型,医疗知识图谱,BP-ADRP模型的论文, 主要内容为基于大量的电子病历数据,智慧医疗使用现代计算机技术手段结合现有医疗数据辅助医生进行诊疗。本文通过深度学习方法结合电子病历数据构建深度学习模型,从而帮助医生对患者完成疾病诊断以及后续的药品推荐,进而提高医生的治疗效率。主要完成了以下工作:(1)构建了1D-DLSTM疾病诊断模型。首先,通过结合ICD-10构建了医学领域的专业词库,并使用Jieba分词法联合医学词库对病历进行分词。其次,利用Skipgram模型联合BERT模型训练医学词向量,使得词向量涵盖大量病历特征。最后,提出1D-DLSTM疾病诊断模型,以病历文本中症状描述的词向量矩阵作为输入端,以确诊疾病为模型输出端,利用卷积层扫描词向量,并进一步利用LSTM内核提取词向量特征,经过反传播的参数调节以及对结果的归一化输出,最终训练完成疾病诊断模型。通过输入病患的症状,可诊断病患所患疾病。实验表明,1D-DLSTM疾病诊断模型,诊断的最终准确率达90%,相比CNN提升3%。(2)基于医疗知识图谱推荐药品。利用Request法对医疗网站进行爬取,获取疾病的描述及相应属性。将爬取到的实体根据ICD-10中的医学术语规范确立医学实体,并根据网站中的描述,确立实体的本体及其属性之间的关系。最后,根据中文语法原则,将主谓宾映射到实体与关系中,构成医疗知识三元组,将医疗知识三元组存储于Neo4j中,并且基于Neo4j使用Cypher检索疾病相应药品,完成药品推荐。(3)构建BP-ADRP模型筛选药品。首先利用滑窗遍历法抽取电子病历中的体检数据,将药前体检作为特征数据,药后体检作为标签数据,基于深度学习中的BP神经网络,构建了BP-ADRP模型,使用BP-ADRP对药品不良反应进行预测。本文将临床检验的特征数据为模型输入端,标签数据为模型输出。模型可通过输入病患使用药前的体检数据,输出药品不良反应预测结果。BP-ADRP药品不良反应模型最终预测的准确率达88%,与同类LSTM算法相比高出12%,与CNN算法相比高出14%,机器学习算法SVM相比,准确率提高7%,可准确地预测临床方面的药品不良反应。检索知识图谱所获取的药品,筛选病人会发生不良反应的药品,为最终推荐的药品,有效的辅助医生对病患的用药。