基于移动互联网的中医知识推荐方法初探(3)
4 存在的问题和研究思路
上述产品已初步实现了个性化中医知识推荐功能，但尚有改进空间。存在的主要问题是知识权威性和用户信任度较低[14] 。中医学术界多年来开展了大量的中医药信息化工作，组织全国一流专家进行数据库加工，建设了大量的中医药数据库[1] 。通过建立严格数据质量评价标准以及数据审校机制，保证了数据质量[15] 。这些数据库具有领域权威性，知识可信度高，为中医知识推荐服务提供了优质资源。需要研究如何对这些知识资源进行有效组织，并与用户对中医知识需求建立关联，使这些知识资源能更有效地支持推荐服务。
另外，上述产品的推荐机制的合理性尚未得到专家的论证，在推荐技术和方法方面尚有进一步研发和改进的空间。可根据个体化健康状态，以实时健康风险评估为基础，研究智能健康信息推荐技术，开发个性化中医知识推荐系统，即时提供满足百姓日常健康维护、疾病预防和生活指导方面的中医知识。其中涉及3项主要的研究内容。
, http://www.100md.com
4.1 用户个人健康信息模型的研究与设计 为实现个性化的知识推荐，首先需要设计符合移动互联网技术特点且具有中医特色的用户个人健康信息模型。需要对基于移动互联网的用户个体数据采集手段进行调研，分析现有的个人健康数据的内容、质量和利用价值，对用户的个体特征进行系统梳理和量化建模，形成一个相对完善的、领域相关的用户特征模型。
4.2 个性化中医知识推荐算法研究与实现 首先，可通过文献调研、专家咨询、用户访谈等方法，整理个性化中医药知识推荐的案例，明确知识推荐策略。进而，可采用知识表示技术，构建一个面向中医知识推荐的规则库，将推荐策略表达为形式化的知识推荐规则，从而建立个人健康信息模型与中医药知识资源之间的关联关系，实现基于规则的中医知识推荐。最后，可采用“基于知识的推荐”与“协同过滤”相结合的混合型推荐机制，研究和实现专门针对中医知识的个性化推荐算法。
4.3 中医知识主动推送网络服务的研究与实现 在研究和实现推荐算法的基础之上，需要进一步对该算法进行网络化封装，在万维网(Web)服务器端实现和部署知识推荐的网络服务(Web Service)，使得移动客户端和其他信息系统都能动态调用知识推荐算法。该服务能够直接根据用户特征向移动客户端推送中医知识，从而实现基于移动互联网的个性化知识推荐。
, 百拇医药
5 小结
知识推荐与知识检索是知识服务的两种基本方式：知识推荐属于系统主动推送，知识检索属于用户主动提取。这两种方式相辅相成，相互融合，可以形成相对完整的中医知识服务技术方案，进一步提升知识服务系统的用户友好性和针对性。移动互联网的发展以及智能终端的迅速普及，使具有用户情境感知能力的个性化推荐系统成为可能。“过日子”等移动应用产品已初步实现了个性化中医知识推荐功能，可根据用户的个人健康信息(如性别、年龄、体质、疾病等)以及时节、地域等环境信息，进行个性化的中医知识推荐，使用户可以随时随地获得针对自己和家人的养生知识和健康提示。需要基于中医药领域现有的优质数据资源，采用移动互联网技术，设计用户个人健康信息模型，研制权威的中医知识库以及智能化的中医知识推荐技术，实现中医知识主动推送网络服务，帮助普通百姓获得精准的个性化中医知识服务，从而提高用户的疾病防治能力以及对中医知识的信赖度。
参考文献
, 百拇医药
[1] 崔蒙，尹爱宁，范为宇，等.中医药科学数据建设研究进展[J].中国中医药信息杂志，2006，13(11)：104-105.
[2] 高博， 崔蒙， 杨硕，等. 基于数据的中医药知识服务研究[J]. 图书情报工作， 2012， 56(9)： 5-9.
[3] 于彤， 苏大明， 尹仁芳， 等. 中医药知识服务平台构建研究[J]. 中国医学创新， 2014， 11(15)：120-123.
[4] Francesco Ricci， Lior Rokach， Bracha Shapira. Introduction to recommender systems [M]. Handbook， Recommender Systems Handbook， Springer， 2011：1-35.
[5] Hosein Jafarkarimi， Alex Tze Hiang Sim， Robab Saadatdoost. A Na?ve Recommendation Model for Large Databases [J]. International Journal of Information and Education Technology， 2012， 2(3)：216-219.
, 百拇医药
[6] Prem Melville， Vikas Sindhwani. Recommender systems [M]. Encyclopedia of Machine Learning， 2010.
[7] Mooney R J， Roy L. Content-based book recommendation using learning for text categorization [C]. In Workshop Recom. Sys.： Algo. and Evaluation， 1999.
[8] David M Blei. Introduction to probabilistic topic models [J]. Comm. ACM， 2012， 55(4)： 77-84.
[9] John P Scott. Social network analysis：a handbook (2nd edition)[M]. Thousand Oaks， CA： Sage Publications， 2000.
, 百拇医药
[10] Hipp J， Güntzer U， Nakhaeizadeh G. Algorithms for association rule mining - a general survey and comparison [J]. ACM SIGKDD Explorations Newsletter， 2000， 52(2)： 58.
[11] Burke R. Knowledge-based recommender systems [J]. Encyclopedia of Library and Information Science， 2000， 69(32)：180-200.
[12] 罗军舟，吴文甲，杨明，等. 移动互联网：终端、网络与服务[J]. 计算机学报，2011，34(11)：2029-2051.
[13] 胡奥杰. 基于android的体质养生系统的开发[J]. 电子世界，2014，20(7)：112-113.
[14] 朱毓梅. 中医药信息需求的调查分析[J]. 国际中医中药杂志，2014，36(9)：830-832.
[15] 胡雪琴，崔蒙，陈兵，等.中医药科学数据的数据质量研究[J].世界科学技术-中医药现代化，2009，11(4)：589-592.
(收稿日期：2015-04-07) (本文编辑：蔡元元), 百拇医药(于彤 毛郁欣 高宏杰 于琦 李敬华 张竹绿)
上述产品已初步实现了个性化中医知识推荐功能，但尚有改进空间。存在的主要问题是知识权威性和用户信任度较低[14] 。中医学术界多年来开展了大量的中医药信息化工作，组织全国一流专家进行数据库加工，建设了大量的中医药数据库[1] 。通过建立严格数据质量评价标准以及数据审校机制，保证了数据质量[15] 。这些数据库具有领域权威性，知识可信度高，为中医知识推荐服务提供了优质资源。需要研究如何对这些知识资源进行有效组织，并与用户对中医知识需求建立关联，使这些知识资源能更有效地支持推荐服务。
另外，上述产品的推荐机制的合理性尚未得到专家的论证，在推荐技术和方法方面尚有进一步研发和改进的空间。可根据个体化健康状态，以实时健康风险评估为基础，研究智能健康信息推荐技术，开发个性化中医知识推荐系统，即时提供满足百姓日常健康维护、疾病预防和生活指导方面的中医知识。其中涉及3项主要的研究内容。
, http://www.100md.com
4.1 用户个人健康信息模型的研究与设计 为实现个性化的知识推荐，首先需要设计符合移动互联网技术特点且具有中医特色的用户个人健康信息模型。需要对基于移动互联网的用户个体数据采集手段进行调研，分析现有的个人健康数据的内容、质量和利用价值，对用户的个体特征进行系统梳理和量化建模，形成一个相对完善的、领域相关的用户特征模型。
4.2 个性化中医知识推荐算法研究与实现 首先，可通过文献调研、专家咨询、用户访谈等方法，整理个性化中医药知识推荐的案例，明确知识推荐策略。进而，可采用知识表示技术，构建一个面向中医知识推荐的规则库，将推荐策略表达为形式化的知识推荐规则，从而建立个人健康信息模型与中医药知识资源之间的关联关系，实现基于规则的中医知识推荐。最后，可采用“基于知识的推荐”与“协同过滤”相结合的混合型推荐机制，研究和实现专门针对中医知识的个性化推荐算法。
4.3 中医知识主动推送网络服务的研究与实现 在研究和实现推荐算法的基础之上，需要进一步对该算法进行网络化封装，在万维网(Web)服务器端实现和部署知识推荐的网络服务(Web Service)，使得移动客户端和其他信息系统都能动态调用知识推荐算法。该服务能够直接根据用户特征向移动客户端推送中医知识，从而实现基于移动互联网的个性化知识推荐。
, 百拇医药
5 小结
知识推荐与知识检索是知识服务的两种基本方式：知识推荐属于系统主动推送，知识检索属于用户主动提取。这两种方式相辅相成，相互融合，可以形成相对完整的中医知识服务技术方案，进一步提升知识服务系统的用户友好性和针对性。移动互联网的发展以及智能终端的迅速普及，使具有用户情境感知能力的个性化推荐系统成为可能。“过日子”等移动应用产品已初步实现了个性化中医知识推荐功能，可根据用户的个人健康信息(如性别、年龄、体质、疾病等)以及时节、地域等环境信息，进行个性化的中医知识推荐，使用户可以随时随地获得针对自己和家人的养生知识和健康提示。需要基于中医药领域现有的优质数据资源，采用移动互联网技术，设计用户个人健康信息模型，研制权威的中医知识库以及智能化的中医知识推荐技术，实现中医知识主动推送网络服务，帮助普通百姓获得精准的个性化中医知识服务，从而提高用户的疾病防治能力以及对中医知识的信赖度。
参考文献
, 百拇医药
[1] 崔蒙，尹爱宁，范为宇，等.中医药科学数据建设研究进展[J].中国中医药信息杂志，2006，13(11)：104-105.
[2] 高博， 崔蒙， 杨硕，等. 基于数据的中医药知识服务研究[J]. 图书情报工作， 2012， 56(9)： 5-9.
[3] 于彤， 苏大明， 尹仁芳， 等. 中医药知识服务平台构建研究[J]. 中国医学创新， 2014， 11(15)：120-123.
[4] Francesco Ricci， Lior Rokach， Bracha Shapira. Introduction to recommender systems [M]. Handbook， Recommender Systems Handbook， Springer， 2011：1-35.
[5] Hosein Jafarkarimi， Alex Tze Hiang Sim， Robab Saadatdoost. A Na?ve Recommendation Model for Large Databases [J]. International Journal of Information and Education Technology， 2012， 2(3)：216-219.
, 百拇医药
[6] Prem Melville， Vikas Sindhwani. Recommender systems [M]. Encyclopedia of Machine Learning， 2010.
[7] Mooney R J， Roy L. Content-based book recommendation using learning for text categorization [C]. In Workshop Recom. Sys.： Algo. and Evaluation， 1999.
[8] David M Blei. Introduction to probabilistic topic models [J]. Comm. ACM， 2012， 55(4)： 77-84.
[9] John P Scott. Social network analysis：a handbook (2nd edition)[M]. Thousand Oaks， CA： Sage Publications， 2000.
, 百拇医药
[10] Hipp J， Güntzer U， Nakhaeizadeh G. Algorithms for association rule mining - a general survey and comparison [J]. ACM SIGKDD Explorations Newsletter， 2000， 52(2)： 58.
[11] Burke R. Knowledge-based recommender systems [J]. Encyclopedia of Library and Information Science， 2000， 69(32)：180-200.
[12] 罗军舟，吴文甲，杨明，等. 移动互联网：终端、网络与服务[J]. 计算机学报，2011，34(11)：2029-2051.
[13] 胡奥杰. 基于android的体质养生系统的开发[J]. 电子世界，2014，20(7)：112-113.
[14] 朱毓梅. 中医药信息需求的调查分析[J]. 国际中医中药杂志，2014，36(9)：830-832.
[15] 胡雪琴，崔蒙，陈兵，等.中医药科学数据的数据质量研究[J].世界科学技术-中医药现代化，2009，11(4)：589-592.
(收稿日期：2015-04-07) (本文编辑：蔡元元), 百拇医药(于彤 毛郁欣 高宏杰 于琦 李敬华 张竹绿)