Page 92 - 《软件学报》2021年第11期

3418 Journal of Software 软件学报 Vol.32, No.11, November 2021

表 10 展示了 k 值变化时,3 项指标平均值的变化.可以看出:k 值大于 35 后,在足够小的数量级上,各项指标
没有明显变化.因此,若 k 值设置过大,不会改善本文方法的推荐效果,且会降低分配效率.故在后续实验中,取参
数 k 值为 35 更新备选集.
Table 10 Mean value of each index under different k values
表 10 不同 k 值下各指标的平均值
k 值 平均用户满意度 平均专长相似度 平均摘要相似度
10 4.182 763 27 0.642 288 37 0.828 119 08
15 4.181 500 17 0.637 828 82 0.826 834 93
20 4.181 962 19 0.637 280 43 0.826 754 28
25 4.181 818 46 0.637 276 15 0.826 679 46
30 4.181 086 45 0.637 507 49 0.826 771 34
35 4.181 024 25 0.637 489 30 0.826 765 87
40 4.181 024 25 0.637 489 30 0.826 765 87
45 4.181 024 25 0.637 489 30 0.826 765 87
50 4.181 024 25 0.637 489 30 0.826 765 87
同时,为了验证本文方法 3 个主要模块的作用,按照重要程度,分别将本文方法拆分为服务匹配度计算模
块、服务满意度预测模块和服务成熟度分析模块.在核心的匹配度模块上,逐步加入服务满意度预测和服务成
熟度分析,即考虑服务匹配度的方法(C-M)、考虑服务匹配度和满意度的方法(CM-MS)以及本文考虑服务匹配
度、满意度和成熟度的方法(CSP-MSM),进行纵向对比实验.
图 5 展示了在病人数目 N 变化时,各个方法选出的医生的平均用户满意度得分.其中,基于项目相似性的方
法表现最优,平均用户满意度得分基本维持在 4.9 左右;考虑服务匹配度和满意度的方法则略低,平均用户满意
度得分基本维持在 4.5 左右;基于用户相似性的方法和考虑服务匹配度的方法表现最差,是由于这两种方法忽
略了用户评价,缺少对用户情感倾向的预测,本文方法的平均用户满意度得分居中.

Fig.5 Average satisfaction scores for different numbers of patients
图 5 患病人数不同时的平均满意度得分

表 11 展示了不同方法在各项指标上的平均值,本文方推荐出的医生的评分平均值为 4.2 左右,是可以接受
的,说明本文方法推荐的医生基本符合患者的情感倾向,能够获得较好的用户满意度.
图 6 展示了在病人数目 N 变化时,各个方法选出的医生与测试集标注医生的相似度平均值.客观上来说,医
生的专长是患者在选择医生时首先考虑的,而诊疗摘要是对医生历史问诊记录的概括,因此在以专长相似度为
指标对比时,摘要相似性高的医生,他们的专长相似性也高.本文方法在考虑服务匹配度的基础上同时考虑用户
情感倾向,与只考虑服务匹配度的方法在纵坐标上相差很小,曲线基本重合,且明显优于考虑服务匹配度和满意
度的方法.
图 7 展示了在病人数目 N 变化时,各个方法选出的医生与测试集标注医生的平均摘要相似度.因为考虑服
务匹配度的方法只考虑病情与诊疗摘要的相似度,故该方法在此项指标上表现最好,维持在 82%以上.服务匹配
度和满意度的方法和本文方法相差不大,略低于本文方法 1%左右.图 5~图 7 的结果验证了本文方法的各个模块