考虑深度学习模型不确定性的在线医生推荐方法
作者机构:合肥工业大学管理学院 网络空间行为与管理安徽省哲学社会科学重点实验室
出 版 物:《中国管理科学》 (Chinese Journal of Management Science)
年 卷 期:2024年
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 10[医学]
基 金:国家自然科学青年科学基金项目(72101079) 国家自然科学青年科学基金项目(72101072)
主 题:在线医生推荐 深度学习不确定性 贝叶斯深度学习 多模态数据 互联网医疗
摘 要:基于深度学习模型的在线医生推荐已经成为提升互联网医疗平台患者服务的重要途径。由于关乎生命健康,与普通商品和服务推荐相比,医生推荐对结果的可靠性有着更高的要求。为此,本文考虑深度学习模型固有的不确定性,基于贝叶斯学习理论,提出了一种多模态贝叶斯神经协同过滤模型(Multi-Modal Bayesian Neural Collaborative Filtering, MM-BNCF)。首先,基于蒙特卡洛Dropout构建贝叶斯深度学习模型,将结构化患者反馈与非结构化医患文本数据作为输入,通过贝叶斯深度模型分别得到医生与患者表征;其次,基于贝叶斯深度模型分析医患双方匹配度,并评估医患匹配的不确定性;然后,基于匹配度均值生成医生推荐结果;最后,在好大夫在线平台真实数据的实验结果验证了本文所提推荐方法能够更有效地适用于在线医生推荐任务。