被宠坏了选择？ 医疗决策的个性化建议：多臂强盗方法-研究论文

基于社交媒体的平台往往会为用户提供大量信息和众多选择，这使得选择过载成为许多在线社区的普遍问题。 在线医疗社区 (OHC) 为用户提供各种医疗干预措施以促进健康行为和提高依从性，也不例外。 然而，当面临太多选择时，个人可能会发现难以决定采取哪种行为干预，尤其是当他们缺乏评估不同选择的经验或知识时。 因此，选择过载问题可能会对用户在 OHC 中参与健康管理产生负面影响。 在这项研究中，我们从设计科学的角度提出了一个推荐框架，帮助用户选择医疗干预措施。 考虑到用户的健康行为可能是高度动态和多样化的，我们提出了一个多臂老虎机（MAB）驱动的推荐框架，使我们能够自适应地学习用户的偏好变化，同时促进推荐的多样性。 为了更好地使 MAB 适应医疗保健环境，我们综合了两个基于突出健康理论的创新模型组件。 第一个组件是基于深度学习的特征工程程序，旨在学习与用户的连续健康历史、健康管理经验、偏好和医疗干预的内在属性相关的关键推荐上下文。 第二个组成部分是多样性约束，它在结构上将不同维度的建议多样化，为个人健康管理提供全面支持。 我们将我们的方法应用于在线体重管理环境，并通过一系列实验对其进行严格评估。 我们的结果表明，每个设计组件都是有效的，并且我们的推荐设计优于各种最先进的推荐系统。 我们的研究有助于新兴的信息系统对商业智能应用的研究。 结果对多个利益相关者具有重要意义，包括在线医疗平台、政策制定者和用户。