[发明专利]一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法

说明书

本发明公开了一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法，包括：步骤一、建立糖尿病患者的饮食偏好特征集合U＝{u₁,u₂,…,u_n}和食物的属性特征集合V＝{v₁,v₂,…,v_m}，记录糖尿病患者饮食，提取偏好特征和食物属性特征，形成糖尿病患者饮食偏好矩阵U∈R^K×M和食物属性特征V∈R^K×N；步骤二、通过将糖尿病患者的饮食偏好与食物的属性特征之间的关联度量化来确定糖尿病患者的饮食偏好与食物的属性特征之间的关联强度；步骤三、对所述关联度进行权值分布得到基本分类后，训练数据集更新权值分布，将所有关联度赋予权重进行分类排除不必要的食物，得到最终的如下关联度分类：步骤四、根据所述条件概率和所述关联度分类得到所述个性化饮食。

技术领域

本发明涉及智能医药领域，具体涉及一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法。

背景技术

随着网络时代的步伐逐渐加快伴随而来的是信息量的暴涨，为用户提供推荐服务的技术也相应的被运用到各种领域，从而帮助用户更精确地找到他们想要的信息。

当前针对糖尿病患者的饮食推荐方法主要是基于关联规则的推荐、基于内容的推荐、协同过滤推荐、基于约束的推荐等方法：(1)基于关联规则的推荐主要代表就是Apriori算法，其核心思想就是在频集中产生强关联规则，定义出来的规则必须满足最小置信度和最小支持度，关联分析的目的是找出数据中隐藏的关联网，是对数据之间的关系的一种描述；但是，当设置了最小支持度阈值和最小置信度阈值的时候，进行关联分析，只要关联规则的最小置信度和最小支持度不满足事先设置好的阈值，就会采取“剪枝”处理，人为设置的最小置信度和最小支持度，必然会导致在“剪枝”处理过程中丢失一些食物的属性对糖尿病患者的饮食偏好特征的贡献因子，再就是，基于关联规则的推荐其规则提取较为复杂、同义性问题不好处理、个性化程度不高；(2)基于内容的推荐是将糖尿病患者和食物分别建模，然后通过糖尿病患者对食物的历史行为产生信息再与食物模型进行比较，将相似度高的食物推荐给糖尿病患者；虽然基于内容的推荐方法没有人为的参与是一个无监督学习的过程，体现出高度的自动化，能够处理复杂的对象，但是，面对新添加的糖尿病患者，则无法进行学习建模；因此，基于内容的推荐在冷启动和扩展性问题上存在不足；(3)协同过滤推荐方法必须是在有用户对项目的评分或者是行为基础上进行的，根据评分记录计算用户或者项目之间相似度，通过相似度计算目标用户或者目标项目的最近邻数据集，再从最近邻数据集中的用户或者项目计算目标用户对待选择的项目的喜好程度，据此推荐；但是，如果项目的属性变得复杂，无法再通过用户对项目的一个评分或者是行为计算相似度。该方法没有对属性的权重进行分配，并且项目的属性针对不同用户重要性行也不同。所以说协同过滤推荐方法针对复杂的事物属性处理极其困难；(4)基于约束的推荐方法主要是依靠项目的属性，就是从项目集合中推荐能够匹配用户需求、偏好特征和硬性需求的项目，通过一些标准硬性约束了糖尿病患者的饮食结构，虽然看上去既符合患者在医学上的指标要求，又符合患者对食物的偏好特征；其实不然，在约束求解过程中如果出现需求冲突或者是空解时，基于约束求解可能处理问题就比较麻烦了，即使在后续对基于约束的推荐方法的改进，即采取通过计算冲突需求来逐渐放宽约束限制来获取解，虽然避免了需求冲突和空解，但是由于放宽了约束限制，就可能会导致个别的在医学上针对某个糖尿病患者的饮食标准不吻合的食物渗入到推荐数据集中。

由于因多种原因使糖尿病患者的身体状况指标不定期变化，导致以上一些传统方法存在一定的局限性：(1)传统的糖尿病饮食推荐方法，在食物选取上容易丢失一些对糖尿病患者有价值的食物；(2)传统的糖尿病饮食推荐方法对待糖尿病患者的方式具有普遍性，忽略了患者的特殊性；(3)传统的糖尿病饮食推荐方法在医学指标和糖尿病患者的意愿上无法平衡，要么一味地追求患者的饮食偏好特征实现个性化要求，要么以医学标准为主，忽视了患者个性化的饮食偏好特征，导致患者厌恶而无法入食，展示出“伪推荐”效果。

发明内容