考虑需求优先性的在线医患双边匹配方法

近年来,随着互联网与智慧医疗的飞速发展,在线问诊平台逐渐成为满足大众基本医疗需求的重要渠道。随着在线问诊平台患者和医生数量的不断增长,医生回答参差不齐、患者提问响应不及时、答复率严重不足等问题不断涌现。如何从大量的在线医疗内容中挖掘患者需求信息和医生服务信息,刻画患者需求满意度和医生的服务能力,实现精确匹配是亟需解决的问题。基于此,文中提出了一个融合机器学习算法的多阶段匹配模型,用于提高匹配精度和多样性。首先,从医生和患者两个视角,利用机器学习算法和情感分析工具,深度挖掘患者服务需求和医生服务能力,同时考虑到患者强烈的风险规避态度,引入前景理论描述患者风险偏好。然后,考虑到患者需求的优先性,以粒计算思想为指导,以提高医患匹配的准确性和多样性为目的,构建多阶段动态匹配模型。最后,通过爬取好大夫网站的真实数据来进行实验,结果验证了所提方法的有效性。

基于机器学习的样本均值近似算法求解应急物资配置问题

应急物资配置涉及选址和库存优化等决策问题,可为灾后物资供应提供保障。首先,考虑应急物资需求的不确定性,构建两阶段随机规划模型,以优化设施选址及库存决策。然后,提出基于机器学习的样本均值近似算法,整合k++均值聚类和分层随机抽样方法改善样本生成效率,以提高样本均值近似算法求解大规模随机规划模型的效率。最后,通过仿真实验验证了模型和算法的有效性。结果表明,当问题规模增大,所提出的算法能在短时间内求得较好的解。