第三章 飲食保健療法 飲食保健療法 飲食保健療法 飲食保健療法推薦機制 推薦機制 推薦機制 推薦機制
流程如下列圖 13 所示。
圖 13、運用醫療動態本體論(Medical Dynamic Ontology, MDO)進行飲食保健療 法資料分類的流程
48
3.2.1 將資料前處理將資料前處理將資料前處理將資料前處理後的矩陣進行維度縮減後的矩陣進行維度縮減後的矩陣進行維度縮減 後的矩陣進行維度縮減
運用醫療動態本體論(Medical Dynamic Ontology, MDO)將詞幹處理後的矩 陣 S1和 S2進行維度縮減，作法如下所示。
醫療動態本體論(Medical Dynamic Ontology, MDO)第二階段判斷處理方法 的 Formulation 定義如下：
49
到菜肴類。以利本論文利用醫療動態本體論(Medical Dynamic Ontology, MDO)進 行飲食保健療法的資料分類程序。
舉例來說，以舊有方法所建立的醫療本體論來說，當利用本體論規則設定取 到概念層級(Concept Layer)時就只能用概念層級的分類屬性去進行實作，如下列 圖 14 所示。但是，可以看到取到概念層(Concept Layer)時在循環系統疾病屬性下 有 8 道茶飲類飲食保健療法、2 道粥食類飲食保健療法；消化系統疾病屬性下有 2 道茶飲類飲食保健療法；肌肉骨骼系統與結締組織疾病屬性下則有 2 道茶飲類 飲食保健療法、6 道粥食類飲食保健療法及 5 道羹湯類飲食保健療法。
當我們要以多數決的方式產生該疾病屬性下的療法代表時，其他數量較少的 飲食保健療法類別影響就完全的消失了。而這會造成其後在進行分類推論時的正 確率與矩陣降維效果不盡理想的狀況。
圖 14、醫療本體論運用傳統本體論分類
但是，再舉上述範例來說，當其採用醫療動態本體論(Medical Dynamic Ontology, MDO)實作分類架構之後可以得到如下列圖 15 的架構圖。由圖 15 可以 看到利用醫療動態本體論(Medical Dynamic Ontology, MDO)之後就可以依照各 分類的資料複雜度去決定我們各分類要取到何種層級，像循環系統疾病屬性的分 類資料複雜度不高，所以向下取一層到概念層級(Concept Layer)；消化系統疾病 屬性的分類資料複雜度最低只有 2 道茶飲類飲食保健療法，所以直接取到目錄層
2道茶飲類 6道粥食類 5道羹湯類 2道茶飲類
8道茶飲類 2道粥食類
50
級(Category Layer)即可；而分類資料複雜度最高的肌肉骨骼系統與結締組織疾病 屬性就要取到擴增子類別層級(Extended Subclass Layer)才有辦法將所有的飲食 保健療法種類 1：1 的對應到醫療本體論的疾病屬性。
圖 15、醫療本體論運用動態本體論分類
3.3 Step3： ： ：詞彙頻率與反相文件頻率 ： 詞彙頻率與反相文件頻率 詞彙頻率與反相文件頻率(Term Frequency – 詞彙頻率與反相文件頻率 Inversed Document Frequency , TF – IDF)
學者 Salton and McGill [14]提出以字詞頻率(Term Frequency, TF)和該字詞出 現在其他文章的頻率(Inversed Document Frequency, IDF)來計算該字詞與文章的 重要性。本論文採用 TF–IDF 演算法將計算矩陣 O1的字詞頻率之 TF-IDF 值，並 轉換為矩陣 T，以 TF-IDF 值來表示疾病屬性 k (concept k)在飲食保健療法 n (therapy n)的重要性。
T = {tfkn |k∈K,n∈N }，其中 tfkn為依矩陣 O1所計算各疾病屬性之 TF-IDF 值。
8道茶飲類 2道粥食類
8道茶飲類 2道粥食類
2道茶飲類
2道茶飲類
1道粥食類 5道粥食類
5道羹湯類
5道粥食類 5道羹湯類 2道茶飲類
5道羹湯類 5道粥食類
1道粥食類
2道茶飲類 6道粥食類 5道羹湯類
51 重，DF(k)為疾病屬性 k (concept k)在飲食保健療法集合(therapy set)中的頻率，且
N
當計算完矩陣後，將矩陣進行奇異值分解(Singular Value Decomposition, SVD)，令
Y = UZV
Τ，其中為矩陣 U 為K×r大小之左方奇異值向量(left singular vectors)矩陣，矩陣 Z 為r × r
大小之奇異值向量對角矩陣(diagonal matrix of singular values)，矩陣 V 為r×N大小之右方奇異值向量(right singular vectors)，並且當使用者輸入需求後，經由資料前處理和醫療動態本體論(Medical Dynamic
52
Ontology, MDO) 將 需 求 轉 換 成 矩 陣 ， 並 經 由 潛 在 語 意 分 析 (Latent Semantic Analysis, LSA)處理後，再用自組織映射圖網路(SOM)演算法進行需求推論。
這邊判斷飲食保健療法種類的判斷準則不再是醫療動態本體論當時採用的
53