基于在线健康社区模糊认知图的构建与推理机制.docxVIP

基于在线健康社区模糊认知图的构建与推理机制 摘要：【目的】构建在线健康社区模糊认知图模型，依据其推理机制实现由患者疾病病情进行情景驱动的在线健康社区疾病相关知识推荐。【方法】从在线健康社区的用户评论中提取关键词作为模型概念节点；基于关键词共现相似度绝对值反映各概念节点间权重；通过文献调研和专家协作，确定模型节点间的语义关系，从而构建基于在线健康社区的模糊认知图；最后根据模糊认知图的分析预测功能，利用其推理过程中各个时刻各节点间状态值的数值变化幅度，进行相关疾病知识的推荐。【结果】与标签关联关系推荐算法和基于超图随机游走标签扩充的微博推荐方法进行对比，结果表明：本文所提在线健康社区模糊认知图推荐模型的准确率、召回率和F值分别达到0.286、0.667和0.400。【局限】实证分析中选取的用户评论数据规模有限，对模型推荐结果的精度可能有一定影响。【结论】本研究为推动在线健康社区相关推荐机制的优化以及对用户依据具体病情进行精准知识搜索具有积极意义。 1 引言1.1 研究背景伴随着“互联网+健康医疗”的推进，在线健康社区成为网民获取相关医疗保健信息以实现自我健康教育、疾病预防与监测的重要平台目前，最典型的个性化推荐技术包括基于内容的推荐、协同过滤推荐及混合推荐针对以传统知识推荐机制为支撑的在线健康社区依据用户疾病的不同病情场景实现知识推荐研究较少的现状，本文提出一种结合模糊认知图的推理机制和不同用户疾病病情特征进行个性化推荐的系统，为在线健康社区知识推荐提供一种新思路。1.2 相关研究在模糊认知图研究方面，Kosko提出的模糊认知图（Fuzzy Cognitive Map,FCM)在学术虚拟社区知识推荐方面，房小可等在线健康社区研究方面，作为一种学术虚拟社区，在线健康社区是众多学者感兴趣的研究对象。但通过文献查阅与检索，笔者发现针对医学领域的在线健康社区进行知识推荐研究的文献较少，大量研究都集中于健康社区用户参与行为和社交网络关系。如杨梦晴等综上，本文通过引入FCM模型，在其推理机制中融合用户疾病病情场景从而实现医学知识推荐。该系统最大的优势在于无需提取疾病具体特征，直接将反映用户疾病病情的概念节点在FCM的初始状态矢量中激活以表示患者的个人健康状况，通过FCM的推理过程反映疾病病情的演进。该推荐方法较好地弥补了传统推荐方法在医学领域中的应用缺陷，对于在线健康社区知识推荐有较好的适用性。2 模糊认知图概述2.1 FCM的定义Axelord提出的认知图是节点和节点间关系构成的有向图，节点表示一种可变概念，节点间的关系都是因果关系2.2 FCM的推理机制模糊认知图模型的拓扑结构是一个三元组模式G=(C,E,W）。其中，C={CFCM的推理机制是在其拓扑结构基础上的一个事件的演进过程，其中每个概念节点C(1）确定一个初始化的状态矢量A(0);(2）通过FCM的推理机制进行迭代运算，每一次的迭代运算为状态矢量A(t）与FCM所决定的邻接矩阵W相乘的结果；(3）每经过一次运算，得到的值通过阈值函数f(f的作用是保证其输出结果在[-1,1]区间）进行转换得到A(t+1），直到最终结果为A(t)=A(t+1）时，停止迭代，此时FCM达到稳定状态上述推理过程的数学公式可以表示为：A(t+1)=f(A(t）×W）。其中，阈值函数f有三种形式，分别为二值函数、三值函数和曲线函数，如公式（1）-公式（3）所示3 在线健康社区FCM模型的构建与推荐实现一般的信息推荐往往采用通用搜索引擎（如百度、谷歌等），但该类搜索引擎往往会忽略或较少考虑用户的个性化需求，于是个性化推荐系统应运而生。在线健康社区知识推荐则是将个性化推荐系统应用在健康社区，专注于患者或其他用户在线交流中所体现的医学信息，目的是满足健康社区用户个性化的医学信息需求。其在信息源、推荐对象、推荐结果和推荐机制上与一般的信息推荐有所区别，具体内容如表1所示。在一般信息推荐基础上，在线健康社区FCM的构建与推荐框架如图1所示，具体可以分为：在线健康社区FCM关联规则挖掘与构建；在线健康社区FCM推理过程；融合社区用户疾病情景驱动的在线健康社区FCM推荐机制。3.1 在线健康社区FCM关联规则挖掘与构建关键词是对文献关键内容的提炼，一般是文献中重要的概念和方法。一个学科的学术论文中关键词的发展与变化在一定程度上代表了这个学科的发展情况，关键词对于词汇粒度上的知识发现有着天然的优势由于FCM是由节点、权重和有向弧三元组为基础构建的模型，确定疾病相关关键词作为在线健康社区FCM的概念节点后的问题是确定概念节点之间的权重和有向弧。共词分析方法是内容分析方法之一，也是情报学领域常用的研究方法之一，其基本原理是