面向在線問診平臺的三支推薦方法

梁建樹,葉曉慶,劉 盾

(1.西南交通大學 經濟管理學院,四川 成都 610031;2.西南交通大學 計算機與人工智能學院,四川 成都 611756)

隨著“互聯網+”的推廣和快速發展,就醫模式逐漸開始從線下往線上模式傾斜[1-2]。同時,自2020年新冠疫情爆發以來,線下就醫的渠道受到極大的阻礙,“足不出戶”的線上問診模式得到更多人青睞。好大夫、丁香醫生、春雨醫生、阿里健康、京東健康等在線醫療平臺能夠為用戶提供線上疾病咨詢服務。作為線下醫療的補充,在線醫療一方面能合理利用全國各城市閑置的醫療資源； 另一方面， 能夠緩解線下醫院的診療負擔, 提高醫生的診療效率[3]。 在線醫療主要有在線問診、 醫藥零售、 在線掛號等功能, 其中在線問診是解決民眾就醫需求的重要渠道。Ranard等研究發現在線問診平臺可以彌補傳統線下就醫模式帶來的反饋信息匱乏問題, 平臺提供的信息對用戶了解和評估醫院的質量提供了幫助[4]。不僅如此, 在線問診平臺還可以指導用戶就醫, 讓用戶和醫生、 用戶和用戶之間得以互動, 進而提高用戶體驗[5-7]。

然而,隨著在線問診平臺上用戶規模和醫療資源不斷增長,用戶想要從海量的醫療數據中尋找合適的醫生變得越發困難。一方面,在線問診平臺為用戶提供大量的醫生信息,用戶逐一通過科室、疾病等多層級的屬性篩選合適的醫生極其耗時；另一方面,用戶不一定具有專業的醫學知識,清楚自身的疾病狀況以及分辨自身疾病所屬的科室。基于此,作為一種解決數據過載問題的有效方法,個性化推薦技術能夠為用戶推薦符合其實際需求的醫生,不僅能夠提高在線問診平臺中用戶的就診效率,而且可以改善用戶的在線體驗[8]。一般而言,現有平臺主要為用戶推薦當前熱度高、較多人訪問的醫生。然而,基于熱度的推薦方法會造成馬太效應，使得熱門醫生的工作超負荷,而新醫生卻難以被關注和發現。

為了滿足用戶需求,相關研究已開始將個性化推薦技術應用到醫生推薦問題中,進而為用戶推薦滿足其需求的醫生。徐守坤和吳偉偉根據用戶咨詢文本,通過協同過濾的方法為用戶推薦滿足其個性化需求的醫生[9]。劉通將Word2Vec和Kmeans方法融合來解決用戶咨詢內容與醫生聚類中心的相似度比較問題,并為用戶推薦高匹配度的專業醫生[10]。葉佳鑫等主要考慮了用戶與醫生的文本向量的相似度來推薦符合用戶實際需求的醫生[11]。潘有能和倪秀麗通過Labeled-LDA模型訓練咨詢文本數據,為用戶推薦關鍵詞相似度較高的醫生[12]。Huang等提出了一種基于協作的醫藥知識推薦方法,根據醫生在歷史就診文本中的醫藥評分來生成信任因子,并引入協同過濾的推薦算法進行醫生推薦[13]。Zhang等基于在線評論,利用矩陣分解技術,預測醫生排名得分為用戶提供個性化的醫生推薦[14]。楊曉夫和秦函書則根據醫生所在科室進行精準推薦[15]。

通過對文獻的分析和整理, 個性化推薦方法能夠有效地解決醫患信息過載問題。 然而, 現有研究方法主要從單一數據的視角對用戶進行醫生推薦, 忽略了醫患信息的多源性和多粒度性。 事實上, 用戶在實際的決策過程中往往會結合不同數據, 從多粒度、 多維度的視角來篩選適合的醫生。 由于在線問診平臺中醫生信息來源眾多(包括用戶反饋、 醫生簡介、 醫院信息等), 這些數據從不同視角、 不同維度、 不同粒層描述醫生特征。 醫生特征的多粒度劃分可以有效幫助在線問診平臺構建醫生和用戶之間的分級匹配, 是平臺實現分級診斷的前提。 其中, 用戶咨詢文本從較細的粒度描述了醫生擅長治療的病患特征, 用戶評價從較粗的粒度描述了醫生擅長的疾病領域特征, 而醫生簡介從更粗的粒度描述了醫生所在科室等方面特征。 因此, 平臺可以通過篩選相似疾病特征的咨詢文本, 為用戶推薦合適的醫生; 還可以通過比較用戶對醫生問診服務的評價和主頁簡介中醫生的專業領域, 為用戶推薦其他合適的醫生。

基于上述分析,本文從醫患數據的多源性和多粒度兩個視角出發,著重考慮推薦過程的不確定性,提出一種面向在線問診平臺的多步驟三支推薦方法。首先,針對現有研究中醫生推薦數據單一性問題,本文考慮醫患信息的多源性,通過Word2Vec和LDA等技術對多源數據進行學習,挖掘醫生特征,構建多粒度的醫患推薦信息。其次,考慮到推薦過程中的不確定性問題,引入三支決策思想,構建三支醫生推薦方法。最后,將多粒度的醫患推薦信息和三支決策思想融合,實現面向多源數據的多步驟三支醫生推薦。

1 相關工作

1.1 在線醫生推薦

已有關于在線醫生推薦的研究主要關注兩個方面:醫患特征挖掘以及醫生推薦。在醫患特征挖掘上,現有研究主要通過文本挖掘技術探究醫生用戶的潛在特征信息。Bekhui等利用NLP相關技術,從在線醫療平臺論壇中提取醫生領域的關鍵詞[16]。Chen通過對醫患雙方進行聚類來獲取醫生和用戶特征[17]。Liu等通過注意力機制模型,構建一種新的深度網絡,用以學習中文醫療平臺中咨詢文本的語義特征[18]。在醫生推薦研究上,Abacha和Zweigenbaum基于醫療命名體識別方法,對醫學問題和文檔進行深入分析,給出了一種基于相似用戶特征的醫生推薦方法[19]。Naderi等通過使用統一的醫學語言系統和自然語言處理技術,提出一種基于醫生領域匹配的醫生推薦方法[20]。Yang等探討了一個基于用戶醫療信息需求、問答記錄內容和醫生背景信息的深度學習問答推薦框架,來提高醫生推薦的精確度[21]。

基于上述分析,當前研究存在一定的局限性。一方面,現有文獻大多通過單一的數據源進行特征提取,忽略了醫患數據的多源性和多粒度性;另一方面,現有方法主要關注推薦結果的精度和質量,忽略了推薦的多樣性和覆蓋率。從用戶的角度來看,推薦系統應推薦用戶需要的醫生;從平臺的角度來看,推薦系統也需要實現平臺資源的合理分配。因此,本文將基于醫患數據的多源性和多粒度性,以提高推薦質量和推薦覆蓋率為研究目標,構建在線醫生推薦模型。

1.2 文本特征挖掘

文本特征挖掘是從自然語言提取特征的過程,是各種語言處理任務的基礎。根據不同的研究方法,可以分為傳統的詞袋模型、主題模型和深度學習模型3類。相對于傳統的詞袋模型,基于主題模型更關注語言處理過程,它通過從文檔中發現的潛在主題并為其提供低維的特征表示,在文本特征提取中取得成功的應用。LDA是一種經典的層次概率主題模型[22],其核心思想是把主題中的詞作為文本的部分特征,每個主題都由這些詞組成。由于LDA模型能夠有效提高文本語義分析的準確性,因而被廣泛運用在提取醫療平臺中文本特征的工程中[23-24]。基于深度學習的文本表示模型主要聚焦于人工神經網絡的文本表示,其代表性方法為Word2Vec技術。Word2Vec生成詞向量的基本思想來自NNLM (神經網絡語言模型,neural network language model),它通過使用稠密、低維的實數向量來表示1個單詞,每個維度代表了詞語所包含的某個方面的潛在特征,能夠表征有價值的句法和語義特征。此外,Word2Vec[25]使用具有單個隱藏層的神經網絡來訓練加權參數,并將采樣窗口中單詞的貢獻率設置為目標函數。由于在線問診平臺中,醫患數據都以文本數據為主, 因此,Word2Vec被廣泛地應用于醫患特征的挖掘中[10-11]。

1.3 三支決策

三支決策[26]理論是在決策粗糙集理論的基礎上發展而來的,主要被用于處理延遲決策的不確定性問題。由于傳統的二支決策可能會導致較高的誤分類成本。因此,三支決策在此基礎上提出了延遲決策策略[27],以規避在信息不足的情形下做出錯誤決策帶來的嚴重后果。在現實的決策過程中,信息的多粒度性會增加決策處理過程。基于此,本文引入序貫三支決策方法,從粒計算的視角處理和實現多粒度信息下的多步驟決策過程。具體而言,在每一步驟中,當現有信息充分時,可以直接做出接受或拒絕的決策;而當前信息無法支持其做出決策時,可以將對象劃分到邊界域中,在下一個步驟中獲得其他信息后再對其進行決策。

一般而言,在傳統推薦問題上,推薦模型都是基于二支決策模型,即推薦和不推薦。為了處理推薦中的不確定性問題,三支決策的思想被引入推薦系統中,以解決傳統推薦過程“非好即壞”的不足。Zhang等將三支決策引入到協同過濾的推薦系統中,提出三支推薦規則制定方法,并將其應用在智慧城市的推薦當中[28]。進一步地,考慮到多粒度信息下的多步驟推薦, Ye和Liu將序貫三支決策引入到推薦系統中,構建了一種新的動態三支推薦系統,以解決靜態的二支推薦的局限性[29]。可以看到,針對在線問診平臺中的醫生推薦,多步驟的三支決策推薦能夠解決多粒度信息下的推薦過程,并有效解決醫生推薦過程中面臨的實際問題。

2 面向在線問診平臺的三支推薦方法

下面，開始著手對多粒度的醫患推薦數據的清洗、整理和分析。考慮到在線問診平臺的數據整合過程需要爬取用戶咨詢文本和用戶評論、挖掘用戶需求、搜集醫生簡介信息,以及獲取醫生多粒度特征。因而,本小節從醫患數據的多源性和多粒度性出發,提出一種面向在線問診平臺的多步驟三支醫生推薦方法,其總體研究框架如圖1所示。

圖1 面向在線問診平臺的三支推薦方法的構架圖

2.1 基于多源數據的在線醫患特征挖掘

(1)

2.1.2 基于用戶評論的醫生特征挖掘 由于在線問診平臺允許用戶對已完成的醫療服務進行評價并形成歷史記錄,用戶通常會在眾多歷史評論中尋找自己關心的話題,進而選擇好評率高、專業能力強、服務態度好的醫生。因此,首先需要對用戶評論進行語言處理和主題提取。本文主要采用LDA方法來分析用戶評論的主題數,并挖掘評論中的主題信息。為了更詳細地說明LDA,圖2給出了LDA的圖模型。假設有K個主題ζ=ζ1:k，每個主題都滿足Dirichlet分布,則每個用戶評論的文檔wn*的生成過程可表示為:

圖2 LDA的圖模型

1) 每個主題的分布θn滿足

θn～Dirichlet()。

2) 對于文檔wn*中的每個單詞wnv，

a)主題分配zjv滿足znv～Multinomial(θn)；

b)詞滿足wnv～Multinomial(ζznv)。

(2)

(3)

2.2 基于三支決策的多步驟推薦方法

傳統的醫生推薦是二支決策模型,采用推薦和不推薦兩種策略。然而,在二支推薦過程中,錯誤的推薦可能會產生高昂的決策成本。基于此,本文引入三支決策的思想,對不確定的事件采取延遲推薦策略。給定兩個閾值α和β,三支推薦系統基本結構如表1所示。

表1 三支推薦系統

相比于二支推薦模型,三支推薦模型對不確定的事件采用延遲推薦手段。具體而言,當已有推薦信息不充分,難以做出接受或拒絕判斷時,采用延遲推薦策略,等待收集更多有用的數據信息再進行推薦。這種通過加入更多的推薦信息進行延遲推薦的方法,使邊界域中的醫生逐漸被進一步劃分和推薦,進而實現了多步驟推薦。

(4)

(5)

通過上述分析可以看到,面向多源數據的多步驟三支推薦方法適用于醫患信息來源眾多的在線問診平臺,從多粒度視角來看,隨著推薦信息的增加,醫生會被進一步劃分。推薦系統從多源的數據信息為用戶進行醫生推薦,隨著推薦信息的逐步加入,能夠推薦給用戶的醫生數量也會變得更多。

2.3 面向在線問診平臺的三支推薦方法

針對在線問診平臺中醫患信息的多源性和多粒度性及推薦過程中的不確定性,本文擬融合用戶咨詢文本、用戶評論和醫生簡介,挖掘醫生特征等數據,構建一種基于三支決策思想的多步驟醫生推薦方法(3WD-msDRec),其核心技術路線如圖3所示。

圖3 基于三支決策思想的多步驟醫生推薦方法(3WD-msDRec)

圖3考慮了用戶咨詢文本、用戶評論和醫生簡介3種不同信息源。由于每個階段考慮的信息源不同,隨著信息源的不斷增加,為用戶推薦的醫生也更為豐富。基于此,多步驟的三支醫生推薦可分為3個階段,其對應的推薦信息集合分別記為G1，G2和G3。

在第1階段中,通過對咨詢文本的語義挖掘獲取醫生特征記為G1。目標用戶un的咨詢文本dn和以往就診醫生vm的用戶文本dm通過Word2Vec向量化表示。這里,通過余弦相似度計算目標用戶和咨詢文本之間的語義相似度,將相似的以往用戶推薦給目標用戶,即

(6)

若兩個文本之間相似度較高,則可以為目標用戶推薦其就診過的醫生。進一步地,定義第1階段的醫生推薦得分為

Score(P1|(un,vm))=sim(dn,dm)

(7)

(8)

(9)

基于上述分析,面向在線問診平臺的多階段三支推薦方法可以根據每個步驟中醫生推薦得分,并在給定的閾值(αl,βl)下對候選醫生集合進行如式(5)的推薦規則,最終形成對不同目標用戶的醫生推薦列表,具體的算法偽代碼如算法1所示。第1階段注重于從相似文本的角度進行考量,尋找與目標用戶有相似病征的以往用戶,并將他們咨詢過的醫生推薦給目標用戶。當第1階段推薦的醫生數量小于N時,將繼續通過第2階段為用戶推薦醫生。而第2階段側重于從用戶評價、用戶滿意度的角度進行考量,向目標用戶推薦滿意度較高的醫生。第3階段則是在前面兩個階段推薦的醫生數不足的情況下,根據目標用戶的疾病標簽從醫生簡介中進行推薦。

算法1多步驟的三支醫生推薦方法(3WD-msDRec)

Input:用戶集U={u1，u2，…，un，…,uN}，醫生集V={v1，v2，…，vm，…,vM},推薦信息G1，G2，…，Gl，…,Gh，醫生推薦得分Score(pl|(un,vm))，所需醫生推薦數量N，各階段閾值(αl,βl)且1≤l≤h-1；

1:∥步驟1.初始化參數

4:l=1

5:∥步驟2.多步驟三支推薦過程

13:else

15:endif

17:l=l+1

18:endwhile

19:∥步驟3.二支推薦過程

23:endif

3 實驗結果及分析

3.1 數據收集

為了驗證本文所提推薦方法的有效性,本文從好大夫在線網站(haodf.com)上爬取了從2016年到2020年心理咨詢科和內科2個科室的用戶咨詢文本、用戶評論、醫生簡介等原始數據,其具體信息如下:

1) 心理咨詢科室數據集:包括咨詢文本共11萬條,320位醫生及其主頁簡介,醫生評論2.1萬條。經過數據整理和清洗,刪除評論不足10條的醫生,且文本單詞數少于10個字的評論、簡介和咨詢文本,保留了89 000條咨詢文本,250位醫生以及10 699條評論。此外,通過統計分析得到心理咨詢的疾病標簽46個。

2) 內科數據集:與心理咨詢科室不同,內科科室之中門類繁多,它由消化內科、心血管科、內分泌科、變態反應科等子科室組成。因此,在爬取內科科室數據時重點爬取了上述4個子科室中的咨詢文本、用戶評論、醫生簡介等數據。經過數據清洗后,保留了113 255條咨詢文本,499位醫生以及19 888條評論。此外,通過統計分析得到內科的疾病標簽88個。

接下來,在實驗設計中將80%的咨詢文本作為訓練集,用于訓練Word2Vec模型和用于匹配文本的相似度,剩下20%的樣本作為測試集進行實驗分析。

3.2 實驗評價指標

這里,采用推薦精度、推薦平均精度、歸一化折損累計增益和推薦覆蓋率4個評價指標來驗證本文所提出推薦方法的有效性。

1)推薦精度

(10)

2) 推薦平均精度

平均精度反映了推薦系統中給用戶推薦相關項目排名的能力,平均精度越高,最終推薦的列表中醫生的排名也就越靠前。平均精度計算公式如式(11)～式(12)所示。

(11)

(12)

考慮到每個用戶最終只與一個醫生成功匹配,因此，x=X=1。position(x)表示推薦成功的醫生在推薦列表中的位置,而沒有推薦成功的用戶AP(i)=0。

3) 歸一化折損累計增益

折損累計增益(DCG)主要考慮了推薦系統中排序的結果,排名靠前的項目增益更高,對排名靠后的項目進行折損。歸一化折損累計增益(nDCG)則是對不同用戶的指標進行歸一化,最后，對每個用戶取平均得到的最終分值,其計算公式如式(13)所示。

(13)

其中：ρ為推薦列表中醫生的排序位置；reli表示第i個醫生為某用戶的問診醫生。在醫生推薦的情境下,1個醫生就診1個用戶,即reli={0,1}。因此,理想的排序結果應為就診醫生排在推薦列表的第1位,即IDCG=1。

4) 推薦覆蓋率

覆蓋率反映了推薦系統覆蓋項目的能力,覆蓋率越高,表明最終推薦的列表中能夠覆蓋的醫生越多,它由式(14)計算,其中V為醫生集合。

(14)

3.3 基準方法

進一步地,為了驗證本文提出的醫生推薦系統(3WD-msDRec)的有效性,本文以下面3種方法作為基準算法。

1) DP-bRec (doctor popularity based recommendation):基于醫生熱度的推薦方法是現存醫療網站上主要使用的推薦方法,該方法是將熱度排序高的醫生推薦給用戶。

2) W2V-TextRec:該方法是以用戶咨詢文本為數據源,經過Word2Vec訓練,將與以往用戶文本咨詢過文本相似度最高的醫生推薦給目標用戶的推薦方法[11]。

3) Labeled-LDADRec:該方法是以用戶咨詢文本為數據源,通過LDA主題模型把訓練得出的關鍵詞作為醫生專業領域的標簽,并將標簽相似度較高的醫生推薦給目標用戶的推薦方法[30]。

3.4 實驗結果分析

3.4.1 算法比較分析 首先,為了驗證本文所提算法在4個評價指標的有效性,利用Word2Vec和LDA模型對在線問診平臺中的數據進行處理。一方面,在訓練Word2Vec的過程中,將詞向量的維度設置為250,迭代次數設置為10次。另一方面,借鑒文獻[31]對醫生評論進行主題提取的結果,對用戶評論進行LDA主題模型訓練,設定K=4。 進一步地, 假設所需醫生推薦數N=10,表2和表3展示了閾值α和β在不同組合變化下,推薦精度、覆蓋率、MAP和nDCG的實驗結果。

通過表2和表3可以看出,推薦精度、MAP和nDCG隨著α和β的取值變小而表現更為有益。對于覆蓋度來說,α的取值區間位于0.65～0.85表現較好。為了兼顧4個指標的表現,選取(α1，β1)=(0.65,0.3)。在第1階段推薦中,當文本的相似度≥0.65,將其歸到正域,并且向用戶推薦該文本咨詢的醫生;當文本相似度介于0.3～0.65時,將該醫生歸到邊界域,即延遲推薦;剩下的醫生便進入負域,不向用戶推薦。類似地,第2階段選取(α2,β2)=(0.8,0.4)。

表2 α和β組合變化下推薦精度和覆蓋度的實驗結果(N=10)

表3 α和β組合變化下MAP和nDCG的實驗結果(N=10)

進一步地,在確定好閾值后,將本文提出的3WD-msDRec方法與3種基準方法進行實驗分析,相關比較結果如圖4和圖5所示。

一方面,由圖4A可知,在心理咨詢數據集上,3WD-msDRec的推薦精度都優于其他基準方法。由圖4B和圖4C可以看出,3WD-msDRec方法在MAP和nDCG兩個指標上的表現優于其他基準方法。通過圖4D可以得到,當N≤25時，DP-bRec方法的覆蓋率最低,3WD-msDRec方法的覆蓋率最優。當N≥30時,Labeled-LDADRec方法的推薦覆蓋率比3WD-msDRec方法表現更好,不過3WD-msDRec方法的覆蓋率也達到了90%以上,與最優方法表現相差甚微。

另一方面,通過圖5可以發現，3WD-msDRec方法在兩個數據集上的表現是一致的。此外,綜合圖4和圖5發現，3WD-msDRec方法在內科數據集的推薦精度、MAP和nDCG的結果表現比心理咨詢數據集的表現要高出10%左右。總而言之,本文所提方法在推薦精度和覆蓋度上總體都優于其他基準方法,而且從平均精度和nDCG兩個指標來看,3WD-msDRec方法具有良好的推薦質量。

圖4 與基準方法結果對比圖(心理咨詢科室)

圖5 與基準方法結果對比圖(內科科室)

3.4.2 不同數據源組合比較分析 其次,為了探索所提方法使用多種數據源進行多粒度醫生推薦的優異性,進一步將本文所提方法與不同數據源組合推薦方法做對比分析,使用單一數據源進行的醫生推薦為單粒度醫生推薦,使用兩個數據源則為兩個醫生粒度特征的醫生推薦,相關實驗結果如圖6和圖7所示。

圖6 不同數據源結果比較圖(心理咨詢科室)

圖7 不同數據源結果比較圖(內科科室)

通過圖6和圖7可以發現，3WD-msDRec方法在各指標的表現都優于其他數據源組合推薦的方法。相比其他數據源組合推薦進行的不同粒度醫生推薦方法,采取了3個不同數據源進行多粒度的3WD-msDRec方法在推薦精度、MAP和nDCG上優勢明顯。此外,3WD-msDRec方法在覆蓋率的表現也優于其他方法,這在一定程度上驗證了本文所提出方法的有效性。綜上所述,通過對推薦精度、MAP、nDCG和覆蓋率4個指標的分析,相比其他基準方法及其他數據源組合推薦方法,本文提出的方法在提高推薦精度的同時,還提高了推薦的覆蓋率。

3.4.3 結果可視化分析 最后,為了清晰刻畫面向多源數據的多階段可視化推薦過程,分析采用多源數據進行推薦的合理性和有用性,本文從心理咨詢科室數據集中隨機選取10名用戶, 為他們推薦得分排名前50位的醫生(N=50)。 對于不同用戶, 為其推薦醫生的信息來源是不同的。 圖8統計并展示了10位用戶在咨詢文本、用戶評論和醫生簡介3種不同信息源的醫生推薦數量。

圖8 10名用戶可視化推薦過程

圖8中,綠色柱狀代表通過咨詢文本進行醫生推薦的數量,紅色柱狀代表通過用戶評論進行醫生推薦的數量,而藍色柱狀代表通過醫生簡介進行醫生推薦的數量。由圖8可以發現,用戶6、用戶7和用戶9只需要利用咨詢文本來推薦就能滿足其需求,即經過第1階段就終止推薦。用戶5和用戶8需要咨詢文本和用戶評論,第2階段就可以結束推薦。其他用戶則同時需要3個信息源的數據,進行3個階段的推薦。圖8的結果證實了本文所提出研究方法的合理性和有用性,同時說明在問診平臺推薦中多信息源的重要性。

4 結語

考慮到在線問診平臺中醫患信息的多源性和多粒度性，以及推薦過程中的不確定性問題,本文提出了一種面向在線問診平臺的多步驟三支推薦方法,通過挖掘多源數據中的醫患特征,利用多粒度的推薦信息,構建了一種多步驟三支醫生推薦方法。本文通過爬取好大夫網站上的醫患數據對所提方法進行有效性驗證。實驗結果表明，本文所提方法不僅能夠提高醫生推薦精度,同時還提高了推薦的覆蓋率,具有良好的應用價值。而且,本文方法作為在線問診平臺中醫生推薦的方法,它從多個維度、多個角度以及多個粒度為用戶進行的推薦,有著良好的語義解釋性。此外,本文方法還能在一定程度上緩解醫生配置不均衡的問題,具有較好的理論價值和實際意義。在未來研究中,筆者會進一步探索將深度學習的技術引入到在線問診平臺中的相關模型與方法,通過數據處理和分析,將多源醫生特征進行融合,挖掘醫生的多粒度特征,實現醫患的精準匹配。