选择过多？面向医疗决策的个性化推荐：一种多臂_bandit方法

在线医疗社区为用户提供各种医疗干预以促进健康行为并改善依从性。然而，当面临过多干预选择时，个体可能难以决定采取哪种方案，尤其当他们缺乏评估不同方案的经验或知识时。选择过载问题可能对用户的健康管理参与度产生负面影响。本研究从设计科学视角出发，提出一种帮助用户选择医疗干预的推荐框架。考虑到用户健康行为可能高度动态且多样，我们提出一种多臂_bandit（MAB）驱动的推荐框架，使我们能在自适应学习用户偏好变化的同时促进推荐多样性。为更好地将 MAB 适配医疗情境，我们基于突出健康理论综合了两个创新模型组件。第一个组件是基于深度学习的特征工程流程，旨在依据用户序列健康历史、健康管理经验、偏好及医疗干预固有属性学习关键推荐上下文。第二个组件是多样性约束，从结构上有序在不同维度上使推荐多样化，为用户提供周全支持。我们将该方法应用于在线体重管理情境，并通过一系列实验严格评估。结果表明各设计组件均有效，且我们的推荐设计优于广泛使用的先进推荐系统。本研究对商业智能应用研究有所贡献，并对在线医疗平台、政策制定者与用户等多方利益相关者具有启示。