張錦紅　張?jiān)迫A

摘要：本文采用CTM主題模型對(duì)現(xiàn)有的在線醫(yī)生專家推薦模型進(jìn)行優(yōu)化，首先利用患者提出的健康問(wèn)題，得到問(wèn)題-主題概率分布，然后根據(jù)醫(yī)生歷史回答的所有問(wèn)題得到醫(yī)生-主題概率分布，接著對(duì)得到的兩項(xiàng)分布用杰卡德相似系數(shù)計(jì)算方法計(jì)算相似度，進(jìn)而將主題相似度高的醫(yī)生列表推薦給患者。實(shí)驗(yàn)階段先對(duì)好大夫在線輕問(wèn)診模塊的過(guò)敏反應(yīng)科的數(shù)據(jù)進(jìn)行采集和處理，再進(jìn)行建模與測(cè)試，結(jié)果證實(shí)本文提出的醫(yī)生推薦方法比該科室現(xiàn)存推薦方法更高效。

關(guān)鍵詞：CTM;專家推薦;在線輕問(wèn)診

【Abstract】ThispaperusestheCTMtopicmodeltooptimizetheexistingonlinedoctorexpertrecommendationmodel.Firstly，thepaperusesthehealthquestionsraisedbythepatienttoobtainthequestion-topicprobabilitydistribution，secondlyobtainsthedoctor-topicprobabilitydistributionbasedonallthequestionsansweredbythedoctor'shistory.ThenthepaperusestheJackardsimilaritycoefficientcalculationmethodtocalculatethesimilarityoftheobtainedtwodistributions，finallyrecommendsalistofdoctorswithhightopicsimilaritytothepatient.Intheexperimentalstage，thedataoftheAllergicReactionsDepartmentoftheDoctorOnlineInquiryModuleiscollectedandprocessed，andmodelingandtestingareperformed.Theresultsconfirmthatthedoctorrecommendationmethodproposedinthisarticleismoreefficientthantheexistingrecommendationmethodinthedepartment.

【Keywords】CTM;expertrecommendation;onlinelightconsultation

作者簡(jiǎn)介：張錦紅（1996-），女，碩士研究生，主要研究方向：軟件工程、智能信息處理;張?jiān)迫A（1965-），男，博士，研究員，主要研究方向：軟件工程、系統(tǒng)仿真、智能信息處理。

0引言

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展及廣泛應(yīng)用，醫(yī)療也不再局限于線下看醫(yī)生，很多輕微疾病用戶會(huì)選擇在互聯(lián)網(wǎng)上咨詢疾病問(wèn)題。此時(shí)，患者會(huì)在就醫(yī)網(wǎng)站上訴說(shuō)自己的身體狀況，醫(yī)生根據(jù)患者的病情描述回答患者的問(wèn)題并同步給出健康問(wèn)題解決方案[1]，可以達(dá)到資源合理配置的效果。雖然就目前來(lái)講在線醫(yī)療輕問(wèn)診醫(yī)生推薦研究取得了很大的突破，但有些方面仍然亟待優(yōu)化，主要包括以下3點(diǎn)：

（1）當(dāng)患者根據(jù)自身的健康狀況在網(wǎng)絡(luò)上尋求幫助時(shí)，往往因?yàn)樾畔⒘窟^(guò)大、且在描述上有失精準(zhǔn)而顯得無(wú)所適從。再者，部分患者幾乎不了解相關(guān)醫(yī)學(xué)知識(shí)，就可能在選擇合適醫(yī)生進(jìn)行輕問(wèn)診上存在困難，而選定醫(yī)生也因?yàn)榛颊邌?wèn)詢?cè)\治領(lǐng)域與自身專業(yè)方向并不匹配，如此就失去了在線醫(yī)療解決身體小疾患的意義。

（2）當(dāng)前已推出不少提供患者和醫(yī)生在線溝通的互聯(lián)網(wǎng)平臺(tái)，但醫(yī)生卻要在大量的咨詢中耗費(fèi)精力篩選自己可以解答的問(wèn)題，醫(yī)生資源得不到充分利用，大大降低了在線輕問(wèn)診的效率。

（3）目前在線醫(yī)療輕問(wèn)診平臺(tái)中，用戶不能及時(shí)得到解答服務(wù)，從尋求幫助到得到方案需要的時(shí)間具有不確定性[2]。因此，通過(guò)科學(xué)合理的專家推薦方法來(lái)充分利用醫(yī)生資源以及提升用戶滿意度就顯得尤為必要[3]。

綜合前面問(wèn)題所述，本文擬研究面向在線患者輕問(wèn)診的醫(yī)生推薦主題模型，通過(guò)利用患者提出的待匹配健康問(wèn)題與醫(yī)生專家的歷史回答健康問(wèn)題的主題提取以及主題相似度的匹配，當(dāng)患者提問(wèn)時(shí)將合適的醫(yī)生推薦給患者，并將患者的病情推送給專業(yè)的醫(yī)生做病理解析，在一定程度上能夠確?；颊呖旖荨⒏咝У孬@得健康問(wèn)題解決方案，同時(shí)提高在線醫(yī)療輕問(wèn)診服務(wù)的效率和準(zhǔn)確性及有效性[4]。

1研究綜述

與傳統(tǒng)的關(guān)鍵字檢索相比，社區(qū)問(wèn)答系統(tǒng)能更好地滿足用戶對(duì)快速、準(zhǔn)確獲取信息的需求。因此，對(duì)問(wèn)題的精準(zhǔn)處理可以有效幫助社區(qū)問(wèn)答系統(tǒng)抽取出更好的答案[5]。

主題識(shí)別主要通過(guò)共詞分析和概率模型來(lái)實(shí)現(xiàn)，并抽取詞匯來(lái)對(duì)主題進(jìn)行表征[6]。迄今為止，主題模型已經(jīng)發(fā)展了20余年，作為篇章級(jí)別文本語(yǔ)義理解的重要工具，pLSA（probabilisticLatentSemanticAnalysis）就成為早期概率主題模型的典型代表。隨后，Blei等人在2003年提出的LDA模型則標(biāo)志著對(duì)主題模型的研究進(jìn)入熱潮。

隱含狄利克雷分布（LatentDirichletAllocation，LDA）是常見的主題模型。由于LDA是非監(jiān)督學(xué)習(xí)模型，本身不可直接用于分類，需將其嵌入到適合的分類算法中。許多學(xué)者基于LDA模型建立主題模型，包括Blei和Lafferty提出的相關(guān)主題模型（CTM）[7]、Li和AndrewMcCallum用無(wú)向圖表示文檔隱含主題結(jié)構(gòu)的PAM模型[8]以及RosenZvi等人提出的作者主題模型（ATM）[9]等等。

其中，CTM主題模型可以很好地展現(xiàn)主題間的相關(guān)性，并且文本主題數(shù)目對(duì)CTM模型的性能相當(dāng)重要。LDA主題模型采用狄利克雷分布（Dirichletdistribution）模擬文檔生成過(guò)程，CTM用對(duì)數(shù)正態(tài)分布替換LDA的狄利克雷分布對(duì)文檔集隱含的主題進(jìn)行提取，并引入?yún)f(xié)方差矩陣來(lái)描述主題間的相關(guān)性，解決了LDA主題之間不相關(guān)的問(wèn)題[10]。

CTM主題模型的框架如圖2所示。此模型假定某個(gè)詞匯擁有豐富的語(yǔ)義信息，某個(gè)主題的語(yǔ)句會(huì)含有和此主題相關(guān)的詞匯。便可以通過(guò)探索語(yǔ)料庫(kù)中頻繁組合出現(xiàn)的詞匯組來(lái)挖掘深層次的主題信息。利用這一方法，把待分析的文檔建模成為擁有潛在主題信息的隨機(jī)混合模型，模型中的語(yǔ)句含有的每個(gè)主題特征取決于語(yǔ)句中單詞的特定分布，即為主題-詞匯分布。

2基于CTM構(gòu)建在線輕問(wèn)診醫(yī)生推薦模型

常規(guī)的推薦算法大體上是根據(jù)問(wèn)題和醫(yī)生的二元關(guān)系來(lái)建立推薦模型，與傳統(tǒng)的推薦算法相比，本文擬要建立的是問(wèn)題-專長(zhǎng)-醫(yī)生的三元關(guān)系模型。三元模型能最大化地提高醫(yī)生回答效率以及改善用戶體驗(yàn)。當(dāng)對(duì)文本進(jìn)行提取時(shí)，對(duì)于健康問(wèn)題的主題之間則會(huì)存在相關(guān)性，語(yǔ)句中包含的每個(gè)主題并非是完全獨(dú)立的，本文選用的CTM模型就能很好地解決這個(gè)問(wèn)題。本次研究分3個(gè)步驟完成在線輕問(wèn)診醫(yī)生的推薦，整體的步驟流程框架如圖3所示[11]。

2.1醫(yī)生專長(zhǎng)信息提取

醫(yī)生專長(zhǎng)信息提取主要思想是采集某科室中某醫(yī)生歷史回答問(wèn)題集合進(jìn)行建模，在此基礎(chǔ)上進(jìn)行監(jiān)督學(xué)習(xí)，從而得到該醫(yī)生回答問(wèn)題的主題信息，對(duì)醫(yī)生來(lái)說(shuō)，該主題即是其在某科室的專長(zhǎng)。為找到醫(yī)生專長(zhǎng)，本文用到的是CTM主題模型，其模型如圖4所示。

圖4中，K表示某科室內(nèi)醫(yī)生以往回答健康問(wèn)題的集合，D表示某個(gè)問(wèn)題的長(zhǎng)度，矩形框表示進(jìn)行迭代的次數(shù)，Wd，n表示第d個(gè)問(wèn)題中的第n個(gè)詞，問(wèn)題庫(kù)中所有詞構(gòu)成集合V，Wd表示問(wèn)題d中所有Nd個(gè)詞構(gòu)成的Nd維向量，主題β是V上的分布。每個(gè)醫(yī)生的過(guò)往回答健康問(wèn)題集合都對(duì)應(yīng)一個(gè)主題混合比例向量θd，θd是主題上的分布，既反映了問(wèn)題庫(kù)d中單詞取主題集中每個(gè)主題的概率，也考慮了使用多項(xiàng)式分布η=log（θi/θk）進(jìn)行自然參數(shù)化處理[12]。

2.2待匹配健康問(wèn)題主題提取

由于患者的醫(yī)學(xué)涉獵較為有限，一個(gè)健康問(wèn)題的醫(yī)學(xué)專用術(shù)語(yǔ)并不明確，很難清晰地得到含蘊(yùn)其間的醫(yī)學(xué)主題。基于此，通過(guò)訪問(wèn)待匹配健康問(wèn)題科室的問(wèn)題集合文本，從中提取該科室涉及到的醫(yī)學(xué)主題，可以得到訪問(wèn)科室健康問(wèn)題的主題分布，即可推斷待問(wèn)答健康問(wèn)題所含有的醫(yī)學(xué)主題。因?yàn)榻】祮?wèn)題是流動(dòng)的，即使一句簡(jiǎn)單的問(wèn)題也可能涉及到多個(gè)醫(yī)學(xué)主題，為了獲得健康問(wèn)題主題分布，本文采用增量吉布斯采樣（IncrementalGibbsSample）對(duì)訪問(wèn)科室內(nèi)健康問(wèn)題集合進(jìn)行參數(shù)估計(jì)，獲取健康問(wèn)題-主題的概率分布θ以及主題-詞項(xiàng)的概率分布β。

2.3醫(yī)生推薦

在線輕問(wèn)診醫(yī)生推薦的目的是為患者提出的健康問(wèn)題高效地匹配到專業(yè)的醫(yī)生，當(dāng)提取到科室醫(yī)生的專長(zhǎng)信息以及輕問(wèn)診健康問(wèn)題的主題時(shí)，只需要計(jì)算相關(guān)的主題相似度，就能夠?yàn)樘岢鰡?wèn)題的患者找到最適宜的醫(yī)生專家。本文采用的是杰卡德相似系數(shù)（JaccardSimilarity）計(jì)算方法，系數(shù)越大，表明醫(yī)生專長(zhǎng)與待回答輕問(wèn)診健康問(wèn)題的內(nèi)容就越相似。主要步驟為：

Step1從科室醫(yī)生名單中獲取某位醫(yī)生的專長(zhǎng)關(guān)鍵詞記為U。

Step2選取一個(gè)訪問(wèn)該科室的健康問(wèn)題，記問(wèn)題關(guān)鍵詞集合為V。采用杰卡德相似系數(shù)方法計(jì)算醫(yī)生回答問(wèn)題庫(kù)與待回答輕問(wèn)診問(wèn)題的相似度，即集合U和集合V的交集元素/并集元素。

Step3選取下一個(gè)訪問(wèn)該科室的健康問(wèn)題，重復(fù)Step1和Step2，直到所有訪問(wèn)該科室的健康問(wèn)題遍歷完畢。

Step4選取下一個(gè)醫(yī)生，重復(fù)Step1和Step2，直到所有醫(yī)生遍歷完畢。至此，得到了該科室醫(yī)生與健康問(wèn)題的主題相似度集合，根據(jù)集合中最大的前n個(gè)數(shù)給輕問(wèn)診問(wèn)題匹配合適的n個(gè)醫(yī)生。

3實(shí)驗(yàn)結(jié)果與結(jié)果分析

3.1數(shù)據(jù)收集與處理

考慮到數(shù)據(jù)的真實(shí)有效以及規(guī)模性，本文的數(shù)據(jù)來(lái)源為知名互聯(lián)網(wǎng)醫(yī)療網(wǎng)站好大夫。皮膚科中的過(guò)敏反應(yīng)科是比較常見并且涉及到的健康問(wèn)題比較輕微的科室，尋求在線輕問(wèn)診解決健康問(wèn)題的患者比較普遍。因此本文采用網(wǎng)絡(luò)爬蟲技術(shù)收集該網(wǎng)站截止到2020年11月15日的所有過(guò)敏反應(yīng)科醫(yī)生在線輕問(wèn)診的過(guò)往回答問(wèn)題為研究樣例，其中過(guò)敏反應(yīng)科醫(yī)生為235位，健康問(wèn)題為最新產(chǎn)生的30萬(wàn)條輕問(wèn)診問(wèn)題，問(wèn)題中的28736條被患者接受。

在好大夫網(wǎng)站采集到的原始數(shù)據(jù)存在著噪聲，需在做處理后才能將其用于分析和主題挖掘。在使用CTM模型對(duì)健康問(wèn)題集合進(jìn)行建模前，通過(guò)利用中文分詞、醫(yī)學(xué)專業(yè)詞識(shí)別、停用詞過(guò)濾等方法對(duì)每個(gè)健康問(wèn)題集合進(jìn)行預(yù)處理，這樣就降低了問(wèn)題集的空間維度，從而提高了建模效率[13]。對(duì)于中文分詞，因?yàn)榻】祮?wèn)題集合數(shù)據(jù)龐大，本文采用的是統(tǒng)計(jì)分詞的算法，基于統(tǒng)計(jì)學(xué)的機(jī)器學(xué)習(xí)模型對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練[14]。對(duì)于醫(yī)學(xué)專業(yè)詞識(shí)別，考慮到健康問(wèn)題中涉及到例如藥名、疾病名稱等醫(yī)學(xué)健康詞匯，因此就要在用戶詞典中添加從互聯(lián)網(wǎng)收集到的醫(yī)學(xué)詞庫(kù)，旨在能夠高效識(shí)別涉及到的醫(yī)學(xué)方面用語(yǔ)[15]。對(duì)于停用詞過(guò)濾，是因?yàn)榉衷~后得到的問(wèn)題集還是會(huì)存在大量的冗余，比如“在”、“的”等詞匯，這些詞匯對(duì)于文本語(yǔ)義分析以及主題的提取并無(wú)用處，而且還會(huì)降低建模效率。針對(duì)這個(gè)問(wèn)題，本文使用哈工大停用詞表來(lái)篩選語(yǔ)料中的高頻通用詞和低頻詞，以獲得噪聲較小的數(shù)據(jù)集，藉此來(lái)提高建模的效率[16]。

3.2模型構(gòu)建

截止到2020年11月15日，好大夫在線過(guò)敏反應(yīng)科的235名醫(yī)生全都參與過(guò)最新的30萬(wàn)個(gè)問(wèn)題。選取25萬(wàn)個(gè)健康問(wèn)題作為訓(xùn)練集，其余的5萬(wàn)個(gè)健康問(wèn)題作為測(cè)試集。好大夫在線從用戶的健康提問(wèn)和醫(yī)生對(duì)問(wèn)題的解答中自動(dòng)識(shí)別出關(guān)鍵詞來(lái)作為主題，這就完善了用戶因?yàn)椴涣私忉t(yī)學(xué)專有名詞而導(dǎo)致的健康狀況不明確等問(wèn)題。對(duì)過(guò)敏反應(yīng)科以往回答過(guò)的過(guò)敏反應(yīng)問(wèn)題集的主題標(biāo)簽進(jìn)行統(tǒng)計(jì)，合計(jì)獲取了13026個(gè)主題標(biāo)簽。使用停用詞過(guò)濾后，選取出現(xiàn)頻率最多的前600個(gè)主題作為模型訓(xùn)練的主題標(biāo)簽。

把這600個(gè)主題分布在235名過(guò)敏反應(yīng)科醫(yī)生的健康問(wèn)題集合上，通過(guò)CTM模型訓(xùn)練，獲取到每一位過(guò)敏反應(yīng)科醫(yī)生在各個(gè)主題上的概率分布，即獲取醫(yī)生專長(zhǎng)，部分實(shí)驗(yàn)結(jié)果如圖5所示。

圖5中的每個(gè)子圖就是一個(gè)過(guò)敏反應(yīng)科醫(yī)生的主題分布，其中主題標(biāo)識(shí)為橫坐標(biāo)，醫(yī)生與主題的分布概率為縱坐標(biāo)，每個(gè)點(diǎn)的大小反映了分布概率的大小。通過(guò)觀測(cè)實(shí)驗(yàn)結(jié)果，可以發(fā)現(xiàn)不同的醫(yī)生存在不同的專長(zhǎng)分布，并且有些醫(yī)生可以解答多個(gè)主題的健康問(wèn)題，有些醫(yī)生卻僅會(huì)解答某個(gè)主題的健康問(wèn)題，還存在一些醫(yī)生對(duì)多個(gè)主題雖都有涉及，但卻未能提取出特別擅長(zhǎng)的主題。

3.3模型測(cè)試

使用訓(xùn)練后的模型對(duì)600個(gè)主題測(cè)試集進(jìn)行主題分布預(yù)測(cè)，其中主題標(biāo)簽為橫坐標(biāo)，測(cè)試問(wèn)題集里面的健康問(wèn)題為縱坐標(biāo)。經(jīng)過(guò)CTM主題模型訓(xùn)練得到每個(gè)健康問(wèn)題在主題標(biāo)簽庫(kù)上的概率分布情況，部分實(shí)驗(yàn)結(jié)果如圖6所示。

圖6中的每個(gè)子圖反映的是測(cè)試集中的一個(gè)健康問(wèn)題在主題上的概率分布情況。從分布情況來(lái)看，有些患者提出的健康問(wèn)題主題特點(diǎn)明確，只涉及少數(shù)的主題，有些患者提出的健康問(wèn)題涉及到多個(gè)主題并且概率都偏高，表明這些醫(yī)學(xué)主題之間都將存在相關(guān)性，而本文采用的CTM模型能有效解決該問(wèn)題。

3.4結(jié)果分析

對(duì)于本文提出的在線醫(yī)生推薦模型的效果測(cè)評(píng)，先將測(cè)試集中的5000個(gè)健康問(wèn)題隨機(jī)分成5組，即每1000個(gè)為一組，使用本文方法產(chǎn)生醫(yī)生推薦列表，其中限制的在線醫(yī)生數(shù)量為8，對(duì)5組問(wèn)題集分別計(jì)算準(zhǔn)確率、召回率和MRR[17]。結(jié)果見表1。

由表1中數(shù)據(jù)可以看到，5個(gè)分組的推薦情況都相對(duì)穩(wěn)定，準(zhǔn)確率和召回率都在40%左右，變化浮動(dòng)小，并且兩者相差較小。存在一些組的MRR值變化較大，容易被極端值所影響，經(jīng)分析是由于235名過(guò)敏反應(yīng)科醫(yī)生參與網(wǎng)站回答醫(yī)療的時(shí)間跨度很大，有些醫(yī)生注冊(cè)網(wǎng)站時(shí)間久、回答的問(wèn)題規(guī)模比較大，所以主題分布更高效清晰，還有一些醫(yī)生新近加入網(wǎng)站，在線回答問(wèn)題量偏少，仍無(wú)法完全提取得到其專長(zhǎng)。由于新醫(yī)生主題分布不明顯，容易排在推薦醫(yī)生列表的后面，如果某個(gè)患者采納的是新加入醫(yī)生的解答，那么就會(huì)對(duì)MRR值產(chǎn)生影響。

為了驗(yàn)證本文提出的在線醫(yī)生推薦的有效性，對(duì)過(guò)敏反應(yīng)科使用該方法與好大夫在線已存在的指標(biāo)展開對(duì)比，對(duì)比結(jié)果見表2。

由表2中數(shù)據(jù)分析可知，準(zhǔn)確率為過(guò)敏反應(yīng)科問(wèn)題采納次數(shù)/過(guò)敏反應(yīng)科問(wèn)題總數(shù)，召回率為過(guò)敏反應(yīng)科醫(yī)生回答總次數(shù)/所有醫(yī)生回答總次數(shù)，回答采納比為過(guò)敏反應(yīng)科問(wèn)題采納次數(shù)/過(guò)敏反應(yīng)科醫(yī)生回答總次數(shù)。結(jié)合好大夫網(wǎng)站現(xiàn)有指標(biāo)對(duì)比發(fā)現(xiàn)，本文提出的專家推薦系統(tǒng)從準(zhǔn)確率、召回率以及回答采納比都優(yōu)于好大夫在線過(guò)敏反應(yīng)科的現(xiàn)有指標(biāo)，充分證實(shí)了該系統(tǒng)對(duì)在線醫(yī)生推薦的高效性。

4結(jié)束語(yǔ)

目前的在線醫(yī)生推薦研究中，現(xiàn)有的一些方法忽略了醫(yī)生專長(zhǎng)之間有關(guān)聯(lián)以及描述的健康問(wèn)題主題之間的關(guān)聯(lián)性，導(dǎo)致獲取的主題分布繁雜且無(wú)側(cè)重。對(duì)于在線醫(yī)生推薦，不僅要關(guān)注模型的主題詞提取效果和分類準(zhǔn)確性，同時(shí)還需要考慮模型能否兼顧主題之間的聯(lián)系。在這種情景下，本文采用的CTM模型可以很好地解決這個(gè)問(wèn)題：先用模型訓(xùn)練患者提出的健康問(wèn)題，得到問(wèn)題-主題概率分布，其次利用科室內(nèi)的每個(gè)醫(yī)生歷史回答問(wèn)題集合得到醫(yī)生-主題概率分布，接著對(duì)得到的2項(xiàng)分布用杰卡德相似系數(shù)計(jì)算方法計(jì)算相似度，稍后將杰卡德相似系數(shù)大的、即主題相似度高的醫(yī)生列表推薦給患者。最后，通過(guò)對(duì)好大夫在線過(guò)敏反應(yīng)科的數(shù)據(jù)進(jìn)行建模與測(cè)試，實(shí)驗(yàn)結(jié)果充分證明了本文提出的醫(yī)生推薦方法比網(wǎng)站該科室現(xiàn)存推薦方法更高效。

對(duì)于本文提出的推薦模型也存在不足，例如有一些醫(yī)生注冊(cè)該網(wǎng)站時(shí)間不長(zhǎng)，回答患者問(wèn)題的積累量偏少，其專長(zhǎng)無(wú)法得到完全提取，會(huì)導(dǎo)致該新醫(yī)生即便很適合回答某個(gè)健康問(wèn)題，但因?yàn)樽陨淼闹黝}分布不明顯，而排在該問(wèn)題推薦醫(yī)生列表的后面將無(wú)法反饋給患者。后續(xù)亟需對(duì)這個(gè)問(wèn)題進(jìn)行特殊的處理，即對(duì)新加入醫(yī)生的專長(zhǎng)進(jìn)行優(yōu)化提取，以此來(lái)提高系統(tǒng)整體效率和用戶滿意度。另外，本文提出的方法默認(rèn)患者是知道自己的健康問(wèn)題屬于哪個(gè)科室，在該科室有醫(yī)生能幫助自己，所以針對(duì)一些對(duì)自身疾病存在盲區(qū)的患者，需要配合健康問(wèn)題和醫(yī)院科室選擇的系統(tǒng)結(jié)合使用。

參考文獻(xiàn)

[1]林悅.“互聯(lián)網(wǎng)+智慧醫(yī)療”現(xiàn)狀及發(fā)展展望[J].中國(guó)醫(yī)療器械信息，2019，25（18）：15-16.

[2]刁必頌.基于在線患者咨詢數(shù)據(jù)的在線醫(yī)生推薦系統(tǒng)研究[D].北京：北京理工大學(xué)，2016.

[3]朱利，岳愛珍.健康問(wèn)題和醫(yī)生匹配機(jī)制的研究[J].西安交通大學(xué)學(xué)報(bào)，2014，48（12）：57-62，139.

[4]楊曉夫，秦函書.基于電子病歷利用矩陣乘法構(gòu)建醫(yī)生推薦模型[J].計(jì)算機(jī)與現(xiàn)代化，2019（06）：81-86，97.

[5]朱龍霞.面向中文問(wèn)答系統(tǒng)問(wèn)題分析與答案抽取方法研究[D].石家莊：河北科技大學(xué)，2018.

[6]張金柱，于文倩.基于短語(yǔ)表示學(xué)習(xí)的主題識(shí)別及其表征詞抽取方法研究[J/OL].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)：1-13[2020-10-22].https：//kns.cnki.net/kcms/detail/10.1478.g2.20201022.1158.002.html.

[7]JURCZYKP，AGICHTEINE.Discoveringauthoritiesinquestionanswercommunitiesbyusinglinkanalysis[C]//SixteenthACMConferenceonInformationandKnowledgeManagement，CIKM2007.Lisbon，Portugal，November.DBLP，2007：919-922.

[8]BOUGUESSAM，DUMOULINB，WANGShengrui.Identifyingauthoritativeactorsinquestion-answeringforums：thecaseofYahoo！answers[C]//Proceedingsofthe14thACMSIGKDDInternationalConferenceonKnowledgeDiscoveryandDataMining.LasVegas，Nevada，USA：ACM，2008：866-874.

[9]BLEIDM，LAFFERTYJD.Correlatedtopicmodels[C]//AdvancesinNeuralInformationProcessingSystems.Vancouver，BritishColumbia，Canada：dblp，2005，18：147-154.

[10]史盛楠.CTM主題模型在學(xué)科主題識(shí)別與學(xué)科文獻(xiàn)分類中的應(yīng)用研究[D].曲阜：曲阜師范大學(xué)，2019.

[11]潘有能，倪秀麗.基于Labeled-LDA模型的在線醫(yī)療專家推薦研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2020，4（4）：34-43.

[12]楊正良.優(yōu)化特征選擇的CTM模型在文本分類中的應(yīng)用研究[D].武漢：華中師范大學(xué)，2016.

[13]丁勇，程家橋，蔣翠清，等.基于主題和關(guān)鍵詞特征的比較文本分類方法[J/OL].計(jì)算機(jī)工程與應(yīng)用：1-9[2020-11-02].http：///KCMS/detail/11.2127.tp.20201026.0911.002.html.

[14]李國(guó)壘，陳先來(lái)，夏冬，等.中文病歷文本分詞方法研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2016，35（4）：477-481.

[15]王月瑤.面向醫(yī)療文本檢索的查詢重構(gòu)技術(shù)研究與實(shí)現(xiàn)[D].上海：華東師范大學(xué)，2018.

[16]王凡，夏晨曦.中文醫(yī)學(xué)摘要主題建模方法評(píng)估[J].醫(yī)學(xué)信息學(xué)雜志，2018，39（2）：60-64.

[17]單國(guó)棟，肖彥翠，王皓.基于主題模型的中外期刊文獻(xiàn)挖掘?qū)Ρ妊芯縖J].長(zhǎng)春大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，29（3）：23-29.