基于电子病历利用矩阵乘法构建医生推荐模型

摘要：当前医疗机构缺乏通过互联网进行医疗资源推荐的有效渠道。同时，由于医疗应用场景的复杂性与多样性致使传统推荐算法面向医疗领域推荐质量不高。因此，提出基于电子病历利用矩阵乘法构建医生推荐模型。推荐模型以电子病历为研究对象，使用朴素贝叶斯分类器获取意向科室；根据症状、诊断、结论等信息构建意向科室医生-疾病矩阵与疾病-患者矩阵，利用矩阵乘法计算推荐结果。实验结果表明，推荐模型达到最佳性能时准确率为97.3%，平均准确率可以达到95.6%。     

主题网页标签树邻接矩阵识别算法研究

随着Web编程技术的发展,同类主题网页可以采用不同的Html标签展示出视觉特征相同的网页信息,导致需要匹配Html标签名称的现有网页结构相似性算法无法准确识别同类主题网页。因此,提出一种主题网页标签树邻接矩阵识别算法,通过构造主题网页标签树邻接矩阵,并利用邻接矩阵的结构特征来计算网页之间的结构相似度以实现同类主题网页识别。实验结果表明,该算法的最佳性能达到查全率100%、查准率96%,平均性能达到查全率97%、查准率89%。     

基于非负矩阵分解的半监督模型用于多层网络聚类

真实世界多层网络具有多维度、高复杂性的特征，使得仅使用网络拓扑信息进行聚类的算法往往不能精准挖掘网络的公共社区结构。为了解决这一问题，本文提出一种基于非负矩阵分解的半监督模型（Semi-supervised Model with Non-negative Matrix Factorization, SeNMF）。首先，该模型设计基于PageRank算法的贪婪搜索方法获取网络的共识先验信息，用以增强每一层网络的拓扑结构，降低网络噪声；然后利用整体非负矩阵分解将所有网络层的低维表示在格拉斯曼流形上融合以获取更优的公共低维表示矩阵；最后利用K-means聚类得到网络的公共社区结构。实验表明，无论是网络层数的增加还是层间噪声的增强，SeNMF模型相较其他算法在多层网络聚类时均具有一定的优越性。