技術(shù)特征：

1.一種基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法，其特征在于包括有下列步驟：

步驟A：初始化醫(yī)療機(jī)構(gòu)推薦系統(tǒng)，并從GPS地理信息模塊、醫(yī)療機(jī)構(gòu)信息模塊、病患就診信息模塊和手機(jī)基站信息模塊中獲取推薦用原始數(shù)據(jù)；

步驟B：應(yīng)用步驟A獲取的推薦用原始數(shù)據(jù)構(gòu)建二維醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；

醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣記為

步驟C：根據(jù)步驟B得到的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量設(shè)計(jì)適用于時(shí)空多維度條件下，多尺度與多粒度的海量數(shù)據(jù)的線性回歸張量因子；

線性回歸張量因子記為FR＝[R_r,R_s,R_t]_b×a×3；

所述距離因子

所述就診量因子

所述人流量因子r表示距離標(biāo)識，s表示就診量標(biāo)識，r表示人流量標(biāo)識；b的取值為321，a的取值為1343；

步驟D：依據(jù)步驟C的線性回歸張量因子重新對步驟B的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣進(jìn)行處理，得到醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型；

醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型記為

F表示范數(shù)，即Frobenius范數(shù)；

γ表示醫(yī)院隱性特征矩陣的系數(shù)；

θ表示對FR張量因子的學(xué)習(xí)系數(shù)；

δ表示居住區(qū)隱性特征矩陣的系數(shù)；

Weight_缺失表示缺失值權(quán)重；

步驟E：在醫(yī)療機(jī)構(gòu)推薦系統(tǒng)中應(yīng)用步驟D的醫(yī)療機(jī)構(gòu)推薦目標(biāo)模型，并初始化；然后采用隱性特征模型對多元異構(gòu)的推薦用原始數(shù)據(jù)進(jìn)行活化數(shù)據(jù)挖掘，得到隱性特征矩陣；

隱性特征有2個(gè)，即醫(yī)療機(jī)構(gòu)的隱性特征記為

表示Doctor₁跟re₁之間就診量預(yù)測的隱性特征值，最大迭代次數(shù)記為m，且m＝500；每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：α表示梯度下降系數(shù)；

表示Doctor₁跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₁跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re₁之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re₁之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示Q_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

即居住區(qū)域的隱性特征記為

表示Doctor₁跟re₁之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₁跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₁跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re₁之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor₂跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re₁之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re₂之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

表示Doctor_b跟re_a之間就診量預(yù)測的隱性特征值，迭代m次循環(huán)計(jì)算，每一輪的都由前一輪的隱性特征值通過以下公式更新，第一輪的表示隨機(jī)產(chǎn)生的一個(gè)初始數(shù)值，表示P_特征矩陣的轉(zhuǎn)置；計(jì)算公式：

步驟F：通過步驟E得到的隱性特征矩陣，迭代計(jì)算醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；若未達(dá)到收斂，則返回步驟E，重新計(jì)算隱性特征矩陣偏導(dǎo)；若收斂，則修正醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣；

以來修正步驟B構(gòu)建的醫(yī)療機(jī)構(gòu)-居住區(qū)域就診量矩陣，記為Tm_{就診量_重構(gòu)}；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

表示經(jīng)修正后的就診量；

步驟G：以推薦標(biāo)準(zhǔn)誤差模型對經(jīng)步驟F修正后的醫(yī)療機(jī)構(gòu)—居住區(qū)就診量矩陣進(jìn)行推薦標(biāo)準(zhǔn)誤差的計(jì)算，若標(biāo)準(zhǔn)誤差小于0.3，則將獲得推薦結(jié)果提供給用戶；

推薦標(biāo)準(zhǔn)誤差模型記為

計(jì)算推薦標(biāo)準(zhǔn)誤差模型RMSE_{就診量_誤差}作為算法準(zhǔn)確度的評判標(biāo)準(zhǔn)，如果Weight_缺失中為0，則通過所述RMSE_{就診量_誤差}來對和進(jìn)行相似度衡量。

2.根據(jù)權(quán)利要求1所述的基于線性回歸因子非負(fù)矩陣分解模型的醫(yī)療機(jī)構(gòu)推薦方法，其特征在于：醫(yī)療機(jī)構(gòu)推薦系統(tǒng)所需的推薦用原始數(shù)據(jù)是由互聯(lián)網(wǎng)提供，則互聯(lián)網(wǎng)中至少需要以下模塊提供數(shù)據(jù)信息，即包括有：

GPS地理信息模塊，用于提供目標(biāo)的地理位置，地理位置以經(jīng)度和緯度顯示，即(x,y)；

醫(yī)療機(jī)構(gòu)信息模塊，用于提供不同醫(yī)療機(jī)構(gòu)的名稱、醫(yī)療機(jī)構(gòu)類型、患者關(guān)聯(lián)信息(屬于各醫(yī)療機(jī)構(gòu)共享的部分患者信息，不涉及患者隱私)、治療特色等信息；所述患者關(guān)聯(lián)信息有就診信息DI和患者就診時(shí)間信息DT等；而就診信息DI包括有患者的住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息，其中，患者的住址為不可缺少項(xiàng)；

病患就診信息模塊，用于提供患者自愿公開的患者基礎(chǔ)信息，如患者的住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息；

手機(jī)基站信息模塊，用于提供手機(jī)用戶注冊信息、用戶的移動狀態(tài)信息、用戶登錄互聯(lián)網(wǎng)信息等；

為了表征醫(yī)療機(jī)構(gòu)與居住區(qū)域之間的就診量，應(yīng)用了患者的就診信息DI、患者就診時(shí)間信息DT、以及醫(yī)療機(jī)構(gòu)集DC＝{Doctor₁,Doctor₂,…,Doctor_b}和居住區(qū)域集RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}的信息；所述患者的就診信息DI包括有患者的家庭住址、患者的病歷、患者的姓名、患者的年齡、患者的性別、患者的電話等相關(guān)信息，其中，患者的家庭住址為不可缺少項(xiàng)；

所述居住區(qū)域集RE＝{re₁,re₂,…,re_n-1,re_n,re_n+1,…,re_a}中角標(biāo)a表示居住區(qū)域的總個(gè)數(shù)，n表示居住區(qū)域的標(biāo)識號；居住區(qū)域re的地理位置re(x,y)中的x為經(jīng)度，y為緯度；

re₁表示第一個(gè)居住區(qū)域，所述第一個(gè)居住區(qū)域re₁的地理位置記為

re₂表示第二個(gè)居住區(qū)域，所述第二個(gè)居住區(qū)域re₂的地理位置記為

re_n表示任意一個(gè)居住區(qū)域，所述任意一個(gè)居住區(qū)域re_n的地理位置記為

re_n-1表示與re_n距離最近的一個(gè)居住區(qū)域，簡稱為前一個(gè)居住區(qū)域，所述前一個(gè)居住區(qū)域re_n-1的地理位置記為

re_n+1表示與re_n距離次近的一個(gè)居住區(qū)域，簡稱為后一個(gè)居住區(qū)域，所述后一個(gè)居住區(qū)域re_n+1的地理位置記為

re_a表示最后一個(gè)居住區(qū)域，所述最后一個(gè)居住區(qū)域re_a的地理位置記為

所述醫(yī)療機(jī)構(gòu)集DC＝{Doctor₁,Doctor₂,…,Doctor_b}中角標(biāo)b表示醫(yī)療機(jī)構(gòu)的總個(gè)數(shù)，也是醫(yī)療機(jī)構(gòu)的標(biāo)識號；醫(yī)療機(jī)構(gòu)Doctor的地理位置Doctor(x,y)中的x為經(jīng)度，y為緯度；

Doctor₁表示第一個(gè)醫(yī)療機(jī)構(gòu)，所述第一個(gè)醫(yī)療機(jī)構(gòu)Doctor₁的地理位置記為

Doctor₂表示第二個(gè)醫(yī)療機(jī)構(gòu)，所述第二個(gè)醫(yī)療機(jī)構(gòu)Doctor₂的地理位置記為

Doctor_b表示最后一個(gè)醫(yī)療機(jī)構(gòu)，所述最后一個(gè)醫(yī)療機(jī)構(gòu)Doctor_b的地理位置記為