18、电子健康推荐系统架构与文本相似度分析

电子健康推荐系统架构与文本相似度分析

1. 电子健康推荐系统概述

电子健康推荐系统结合数据挖掘技术，从数据中提取证据以推导新知识，并将推荐作为获取新知识的反馈。与其他基于医学本体描述知识库的策略不同，它基于非结构化文本数据进行处理。电子健康记录（EHR）以不同格式补充大数据存储库中的可用数据，其特点是数据的异质性、海量性和快速更新。该系统考虑从与症状和诊断相关的非结构化数据预处理，到利用以往经验和知识预防医疗风险的推荐策略，提供了从医学诊断的叙述风格到基于推荐的预防方案的综合视角，在智慧城市背景下尤为有用。

2. 文本相似度分析策略

在信息检索（IR）领域，搜索、检索和排序与用户输入模式相符的非结构化文本文档是一个挑战。搜索引擎需要解决这个问题，无论是在网络上还是在本地文件系统中搜索内容。为设计这类应用，提出了不同的数学模型和方法，其基本思想是评估两个文档之间的相似度，并根据与输入查询的相关性对结果进行排序，可采用布尔、向量、统计、概率或语义等方法。

传统上，IR中应用的模型可分为以下几类：
1. 基于布尔的模型（或理论集合模型） ：
- 布尔标准模型 ：以二进制方式衡量文档与查询的相关性，若文档包含搜索词，相关性值为1，否则为0。
- 扩展布尔模型 ：能够分配特定权重，衡量与输入查询的部分匹配。
- 模糊逻辑模型 ：允许纳入属于集合的概念，测量部分归属程度。
2. 基于向量的模型（或代数模型） ：
-