Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (12): 55-67     https://doi.org/10.11925/infotech.2096-3467.2020.0175
     研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于模糊认知图的在线健康社区知识推荐研究*
李贺1(),刘嘉宇1,沈旺1,刘锐2,金帅岐1
1吉林大学管理学院 长春 130022
2吉林大学中日联谊医院 长春 130033
Recommending Knowledge for Online Health Community Users Based on Fuzzy Cognitive Map
Li He1(),Liu Jiayu1,Shen Wang1,Liu Rui2,Jin Shuaiqi1
1School of Management, Jilin University, Changchun 130022, China
2China-Japan Union Hospital of Jilin University, Changchun 130033, China
全文: PDF (1089 KB)   HTML ( 10
输出: BibTeX | EndNote (RIS)      
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。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
李贺
刘嘉宇
沈旺
刘锐
金帅岐
关键词 模糊认知图知识推荐在线健康社区在线评论    
Abstract

[Objective] This paper constructs a fuzzy cognitive map model, aiming to recommend context-driven knowledge for users of online health communities. [Methods] First, we extracted keywords from user comments and used them as concept nodes of the proposed model. Then, we calculated the absolute values of the weight relationship between concept nodes based on the similarity of keyword co-occurrence. Third, we determined the semantic relationship among the keywords through literature reviews and expert collaborations. Finally, we built the fuzzy cognitive map and recommended disease related knowledge using the change of state values among nodes. [Results] Our new model’s precision, recall and F-measure were 0.286, 0.667 and 0.400 respectively. [Limitations] The amount of user comments need to be increased, which will improve the model's performance. [Conclusions] The proposed model optimizes the recommendation mechanism of online health communities and provides better knowledge for patients.

Key wordsFuzzy Cognitive Map    Knowledge Recommendation    Online Health Community    Online Comment
收稿日期: 2020-03-09      出版日期: 2020-12-25
ZTFLH:  G354  
基金资助:*国家自然科学基金项目“基于图模型的多源异构在线产品评论数据融合与知识发现研究”(71974075)
通讯作者: 李贺     E-mail: lihe200303@163.com
引用本文:   
李贺,刘嘉宇,沈旺,刘锐,金帅岐. 基于模糊认知图的在线健康社区知识推荐研究*[J]. 数据分析与知识发现, 2020, 4(12): 55-67.
Li He,Liu Jiayu,Shen Wang,Liu Rui,Jin Shuaiqi. Recommending Knowledge for Online Health Community Users Based on Fuzzy Cognitive Map. Data Analysis and Knowledge Discovery, 2020, 4(12): 55-67.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0175      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I12/55
比较项 在线健康社区知识推荐 一般信息推荐
信息源 平台专业信息集中 信息异质、异构、分散
推荐对象 用户属性强 用户属性相对弱
推荐结果 查准率要求高 查全率要求高
推荐机制 追求场景化、个性化 推荐领域广、技术易实现
Table 1  在线健康社区知识推荐与一般信息推荐区别
Fig.1  在线健康社区FCM的构建与推荐框架
Fig.2  疾病与药品语义关系表示
用户编号(ui) 用户评论中提取与糖尿病相关医学关键词术语(Ci
u1 脓毒(血)症C1、血常规检查C2、感染C3、肝脓肿C5、2型糖尿病C14
u2 甲状腺C4
u3
u4 脓毒(血)症C1、肝脓肿C5
u5 脓毒(血)症C1
u6 感染C3、肝脓肿C5、交感神经C6、病原体C7
u7 胰岛素C8、糖尿病并发症C9、内分泌C10、免疫C11、抗生素C12
u8
u9 肝脓肿C5
u10 2型糖尿病C14
u11 脓毒(血)症C1、肝脓肿C5、1型糖尿病C13、2型糖尿病C14
u12 抗生素C12
u13 脓毒(血)症C1、感染C3
u14 脓毒(血)症C1、感染C3
u15 肝脓肿C5
u16 肝脓肿C5
u17 肝脓肿C5
u18 感染C3、肝脓肿C5
u19
u20
Table 2  关键词提取示例
节点 概念 关系 节点 概念 关联强度 节点 概念 关系 节点 概念 关联强度
C1 脓毒(血)症 需要 C2 血常规检查 0.790 C10 内分泌异常 导致 C4 甲状腺功能异常 0.434
C1 脓毒(血)症 说明 C3 感染 0.568 C10 内分泌异常 引发 C9 糖尿病并发症 0.874
C1 脓毒(血)症 改变 C4 甲状腺功能异常 0.490 C10 内分泌异常 正相关 C11 免疫下降 0.775
C1 脓毒(血)症 原因 C5 肝脓肿 0.612 C10 内分泌异常 引发 C13 1型糖尿病 0.807
C1 脓毒(血)症 原因 C7 病原体存在 0.511 C10 内分泌异常 引发 C14 2型糖尿病 0.807
C1 脓毒(血)症 引起 C10 内分泌异常 0.472 C11 免疫下降 正相关 C1 脓毒(血)症 0.471
C1 脓毒(血)症 正相关 C11 免疫下降 0.471 C11 免疫下降 正相关 C3 感染 0.397
C1 脓毒(血)症 药物 C12 需要抗生素 -0.637 C11 免疫下降 正相关 C4 甲状腺功能异常 0.428
C1 脓毒(血)症 正相关 C14 2型糖尿病 0.386 C11 免疫下降 正相关 C5 肝脓肿 0.589
C3 感染 引发 C1 脓毒(血)症 0.568 C11 免疫下降 正相关 C6 交感神经病变 0.439
C3 感染 需要 C2 血常规检查 0.533 C11 免疫下降 正相关 C7 病原体存在 0.439
C3 感染 改变 C4 甲状腺功能异常 0.021 C11 免疫下降 正相关 C9 糖尿病并发症 0.724
C3 感染 引发 C5 肝脓肿 0.655 C11 免疫下降 正相关 C10 内分泌异常 0.775
C3 感染 引发 C9 糖尿病并发症 0.435 C11 免疫下降 正相关 C13 1型糖尿病 0.695
C3 感染 引发 C10 内分泌异常 0.373 C11 免疫下降 正相关 C14 2型糖尿病 0.733
C3 感染 正相关 C11 免疫下降 0.397 C12 需要抗生素 治疗 C1 脓毒(血)症 -0.637
C3 感染 药物 C12 需要抗生素 -0.602 C12 需要抗生素 治疗 C3 感染 -0.602
C4 甲状腺功能异常 正相关 C11 免疫下降 0.428 C12 需要抗生素 治疗 C5 肝脓肿 -0.651
C5 肝脓肿 引发 C1 脓毒(血)症 0.612 C12 需要抗生素 治疗 C7 病原体存在 -0.524
C5 肝脓肿 需要 C2 血常规检查 0.597 C12 需要抗生素 治疗 C9 糖尿病并发症 -0.717
C5 肝脓肿 原因 C3 感染 0.655 C13 1型糖尿病 引发 C3 感染 0.285
C5 肝脓肿 原因 C7 病原体存在 0.386 C13 1型糖尿病 引发 C4 甲状腺功能异常 0.392
C5 肝脓肿 正相关 C11 免疫下降 0.589 C13 1型糖尿病 药物 C8 需要胰岛素 -0.708
C5 肝脓肿 药物 C12 需要抗生素 -0.651 C13 1型糖尿病 引发 C9 糖尿病并发症 0.806
C6 交感神经病变 正相关 C11 免疫下降 0.439 C13 1型糖尿病 原因 C10 内分泌异常 0.807
C7 病原体存在 引发 C1 脓毒(血)症 0.511 C13 1型糖尿病 引起 C11 免疫下降 0.695
C7 病原体存在 需要 C2 血常规检查 0.658 C14 2型糖尿病 引发 C1 脓毒(血)症 0.386
C7 病原体存在 引发 C3 感染 0.385 C14 2型糖尿病 引发 C3 感染 0.336
C7 病原体存在 引发 C4 甲状腺功能异常 0.658 C14 2型糖尿病 改变 C4 甲状腺功能异常 0.412
C7 病原体存在 引发 C5 肝脓肿 0.386 C14 2型糖尿病 并发 C5 肝脓肿 0.421
C7 病原体存在 引发 C11 免疫下降 0.439 C14 2型糖尿病 引发 C6 交感神经病变 0.467
C7 病原体存在 药物 C12 需要抗生素 -0.524 C14 2型糖尿病 药物 C8 需要胰岛素 -0.753
C8 需要胰岛素 影响 C9 糖尿病并发症 -0.853 C14 2型糖尿病 引发 C9 糖尿病并发症 0.809
C8 需要胰岛素 治疗 C13 1型糖尿病 -0.708 C14 2型糖尿病 原因 C10 内分泌异常 0.807
C8 需要胰岛素 治疗 C14 2型糖尿病 -0.753 C14 2型糖尿病 引发 C11 免疫下降 0.733
C9 糖尿病并发症 引发 C4 甲状腺功能异常 0.411
C9 糖尿病并发症 药物 C8 需要胰岛素 -0.853
C9 糖尿病并发症 药物 C12 需要抗生素 -0.717
Table 3  糖尿病主题帖用户评论关键词语义关系词典
C1
脓毒(血)症
C2
血常规检查
C3
感染
C4
甲状腺功能
异常
C5
肝脓肿
C6
交感神经病变
C7
病原体
存在
C8
需要
胰岛素
C9
糖尿病并发症
C10
内分泌
异常
C11
免疫
下降
C12
需要
抗生素
C13
1型
糖尿病
C14
2型
糖尿病
脓毒(血)症C1 1 0.790 0.568 0.490 0.612 0 0.511 0 0 0.472 0.471 -0.637 0 0.386
血常规检查C2 0 1 0 0 0 0 0 0 0 0 0 0 0 0
感染C3 0.568 0.533 1 0.021 0.655 0 0 0 0.435 0.373 0.397 -0.602 0 0
甲状腺功能异常C4 0 0 0 1 0 0 0 0 0 0 0.428 0 0 0
肝脓肿C5 0.612 0.597 0.655 0 1 0 0.386 0 0 0 0.589 -0.651 0 0
交感神经病变C6 0 0 0 0 0 1 0 0 0 0 0.439 0 0 0
病原体存在C7 0.511 0.658 0.385 0.658 0.386 0 1 0 0 0 0.439 -0.717 0 0
需要胰岛素C8 0 0 0 0 0 0 0 1 -0.853 0 0 0 -0.708 -0.753
糖尿病并发症C9 0 0 0 0.411 0 0 0 -0.853 1 0 0 -0.717 0 0
内分泌异常C10 0 0 0 0.434 0 0 0 0 0.874 1 0.775 0 0.807 0.807
免疫下降C11 0.471 0 0.397 0.428 0.589 0.439 0.439 0 0.724 0.775 1 0 0.695 0.733
需要抗生素C12 -0.637 0 -0.602 0 -0.651 0 -0.524 0 -0.717 0 0 1 0 0
1型糖尿病C13 0 0 0.285 0.392 0 0 0 -0.708 0.806 0.807 0.695 0 1 0
2型糖尿病C14 0.386 0 0.336 0.412 0.421 0.467 0 -0.753 0.809 0.807 0.733 0 0 1
Table 4  糖尿病FCM邻接矩阵W
C1
脓毒(血)症
C2
血常规检查
C3
感染
C4
甲状腺
功能异常
C5
肝脓肿
C6
交感神经病变
C7
病原体存在
C8
需要胰岛素
C9
糖尿病并发症
C10
内分泌异常
C11
免疫
下降
C12
需要
抗生素
C13
1型
糖尿病
C14
2型
糖尿病
A(0) 0 0 0 0 0 0 0 0 0 0 0 0 1 0
A(1) 0.500 0 0.500 0 0.701 6 0.764 2 0.500 0 0.500 0 0.500 0 0.106 8 0.918 2 0.918 4 0.889 4 0.500 0 0.952 6 0.500 0
A(2) 0.994 8 0.996 6 0.997 5 0.999 9 0.996 3 0.966 8 0.962 0 0.005 6 1.000 0 0.999 9 1.000 0 0.008 6 0.998 8 0.997 6
A(3) 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 0.996 4 0.999 0 0.001 0 1.000 0 1.000 0 1.000 0 0.000 0 0.999 4 0.999 8
A(4) 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 0.996 7 0.999 1 0.000 9 1.000 0 1.000 0 1.000 0 0.000 0 0.999 4 0.999 8
w(数值变化幅度) 0.500 0 0.500 0 0.298 4 0.235 8 0.500 0 0.496 4 0.499 0 0.105 8 0.081 8 0.081 5 0.110 6 0.500 0 0.046 8 0.499 8
Table 5  患1型糖尿病时各时刻各节点状态值
C1
脓毒(血)症
C2
血常规检查
C3
感染
C4
甲状腺
功能异常
C5
肝脓肿
C6
交感神经病变
C7
病原体存在
C8
需要
胰岛素
C9
糖尿病并发症
C10
内分泌异常
C11
免疫
下降
C12
需要
抗生素
C13
1型
糖尿病
C14
2型
糖尿病
A(0) 0 0 0 0 0 0 0 0 0 0 0 0 0 1
A(1) 0.761 0 0.500 0 0.732 6 0.774 9 0.779 5 0.802 3 0.500 0 0.094 6 0.918 9 0.918 4 0.900 2 0.500 0 0.500 0 0.952 6
A(2) 0.999 2 0.999 0 0.999 2 0.999 9 0.999 5 0.992 8 0.981 5 0.005 9 1.000 0 1.000 0 1.000 0 0.002 9 0.995 5 0.999 6
A(3) 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 0.996 7 0.999 0 0.001 0 1.000 0 1.000 0 1.000 0 0.000 0 0.999 4 0.999 8
A(4) 1.000 0 1.000 0 1.000 0 1.000 0 1.000 0 0.996 7 0.999 1 0.001 0 1.000 0 1.000 0 1.000 0 0.000 0 0.999 4 0.999 8
w(数值变化幅度) 0.239 0 0.500 0 0.267 4 0.225 1 0.220 5 0.194 4 0.499 0 0.093 6 0.081 1 0.081 6 0.099 8 0.500 0 0.499 4 0.047 2
Table 6  患2型糖尿病时各时刻各节点状态值
Fig.3  三种推荐算法的性能对比
[1] 李月琳, 张秀, 王姗姗 . 社交媒体健康信息质量研究:基于真伪健康信息特征的分析[J]. 情报学报, 2018,37(3):294-304.
[1] ( Li Yuelin, Zhang Xiu, Wang Shanshan . Health Information Quality in Social Media: An Analysis Based on the Features of Real and Fake Health Information[J]. Journal of the China Society for Scientific and Technical Information, 2018,37(3):294-304.)
[2] 张海涛, 崔阳, 王丹 , 等. 基于概念格的在线健康社区用户画像研究[J]. 情报学报, 2018,37(9):912-922.
[2] ( Zhang Haitao, Cui Yang, Wang Dan , et al. Study of Online Healthy Community User Profile Based on Concept Lattice[J]. Journal of the China Society for Scientific and Technical Information, 2018,37(9):912-922.)
[3] 熊回香, 李晓敏, 李跃艳 . 基于图书评论属性挖掘的群组推荐研究[J]. 数据分析与知识发现, 2020,4(2/3):214-222.
[3] ( Xiong Huixiang, Li Xiaomin, Li Yueyan . Group Recommendation Based on Attribute Mining of Book Reviews[J]. Data Analysis and Knowledge Discovery, 2020,4(2/3):214-222.)
[4] 单晓红, 王春稳, 刘晓燕 , 等. 基于在线评论的混合推荐算法[J]. 系统工程, 2019,37(6):130-138.
[4] ( Shan Xiaohong, Wang Chunwen, Liu Xiaoyan , et al. Hybrid Recommendation Algorithms Based on Online Review[J]. Systems Engineering, 2019,37(6):130-138.)
[5] Kosko B . Fuzzy Cognitive Maps[J]. International Journal of Man-Machine Studies, 1986,24(1):65-75.
[6] Jetter A, Schweinfort W . Building Scenarios with Fuzzy Cognitive Maps: An Exploratory Study of Solar Energy[J]. Futures, 2010,43(1):52-66.
[7] Peng Z, Liu W, An S . Haze Pollution Causality Mining and Prediction Based on Multi-Dimensional Time Series with PS-FCM[J]. Information Sciences, 2020,523:307-317.
[8] Amirkhani A, Papageorgiou E I, Mohseni A , et al. A Review of Fuzzy Cognitive Maps in Medicine: Taxonomy, Methods, and Applications[J]. Computer Methods and Programs in Biomedicine, 2017,142:129-145.
pmid: 28325441
[9] Akinnuwesi B A, Adegbite B A, Adelowo F , et al. Decision Support System for Diagnosing Rheumatic-Musculoskeletal Disease Using Fuzzy Cognitive Map Technique[J]. Informatics in Medicine Unlocked, 2020,18:100279.
[10] 房小可, 叶莎莎, 严承希 . 融合情境语义的虚拟学术社区知识推荐模型研究[J]. 情报理论与实践, 2019,42(9):154-159.
[10] ( Fang Xiaoke, Ye Shasha, Yan Chengxi . Research on Knowledge Recommendation Model Integrating Situational Semantics Based on Virtual Academic Community[J]. Information Studies: Theory & Application, 2019,42(9):154-159.)
[11] 李珊, 姚叶慧, 厉浩 , 等. 基于ISA联合聚类的组推荐算法研究[J]. 数据分析与知识发现, 2019,3(8):77-87.
[11] ( Li Shan, Yao Yehui, Li Hao , et al. ISA Biclustering Algorithm for Group Recommendation[J]. Data Analysis and Knowledge Discovery, 2019,3(8):77-87.)
[12] 杨梦晴, 朱庆华 . 在线健康社区用户个人健康信息管理行为特征研究[J]. 图书情报工作, 2020,64(1):105-112.
[12] ( Yang Mengqing, Zhu Qinghua . Research on the Behavior Characteristics of Personal Health Information Management of Online Health Community Users[J]. Library and Information Service, 2020,64(1):105-112.)
[13] 许云红, 李仕林, 许云丽 . 在线健康社区不同级别用户的参与行为研究:基于增长模型视角[J]. 情报杂志, 2020,39(8):137-144.
[13] ( Xu Yunhong, Li Shilin, Xu Yunli . Participation Behavior of Users with Different Level Ranks in Online Health Communities: A Growth Model Perspective[J]. Journal of Intelligence, 2020,39(8):137-144.)
[14] Marchant T . Cognitive Maps and Fuzzy Implications[J]. European Journal of Operational Research, 1999,114(3):626-637.
[15] Fasli M . Interrelations Between the BDI Primitives:Towards Heterogeneous Agents[J]. Cognitive Systems Research, 2003,4(1):1-22.
[16] Harmati I, Koczy L T. Stability of Fuzzy Cognitive Maps with Interval Weights [C]//Proceedings of the 11th Conference of the European Society for Fuzzy Logic and Technology. 2019.
[17] Qiu J, Gu W, Wang G . Causal Reasoning of Emergency Cases Based on Fuzzy Cognitive Map[J]. Procedia Computer Science, 2019,159:1238-1245.
[18] 于丰畅, 陆伟 . 关键词共现网络视角下的学科基础词汇发现[J]. 图书情报工作, 2019,63(9):95-100.
[18] ( Yu Fengchang, Lu Wei . The Discovery of Subject Basic Vocabulary from the Perspective of Keyword Co-occurrence Network[J]. Library and Information Service, 2019,63(9):95-100.)
[19] 李纲, 巴志超 . 共词分析过程中的若干问题研究[J]. 中国图书馆学报, 2017,43(4):93-113.
[19] ( Li Gang, Ba Zhichao . Co-word Analysis: Limitations and Solutions[J]. Journal of Library Science in China, 2017,43(4):93-113.)
[20] 周磊, 杨威, 张玉峰 . 共现矩阵聚类分析的问题与再思考[J]. 情报杂志, 2014,33(6):32-36, 27.
[20] ( Zhou Lei, Yang Wei, Zhang Yufeng . Issues and Re-consideration on Cluster Analysis in Co-occurrence Matrix[J]. Journal of Intelligence, 2014,33(6):32-36, 27.)
[21] 陈果, 何适圆 . 面向网络社区的领域多元概念关联体系融合: 机理与实现[J]. 情报理论与实践, 2019,42(1):147-152.
[21] ( Chen Guo, He Shiyuan . Integration of Multi-component Domain Concept Relation Systems for Network Community: Mechanism and Implementation[J]. Information Studies: Theory & Application, 2019,42(1):147-152.)
[22] 张路 . 基于数据挖掘的选煤生产过程智能诊断研究[D]. 徐州: 中国矿业大学, 2019.
[22] ( Zhang Lu . Research on Intelligent Diagnosis of Coal Preparation Process Based on Data Mining[D]. Xuzhou: China University of Mining and Technology, 2019.)
[23] 张华平, 商建云 . NLPIR-Parser:大数据语义智能分析平台[J]. 语料库语言学, 2019,6(1):87-104.
[23] ( Zhang Huaping, Shang Jianyun . NLPIR-Parser: An Intelligent Semantic Analysis Toolkit for Big Data[J]. Corpus Linguistics, 2019,6(1):87-104.)
[24] 姜春林, 陈玉光 . CSSCI数据导入Bibexcel实现共现矩阵的方法及实证研究[J]. 图书馆杂志, 2010,29(4):58-63, 42.
[24] ( Jiang Chunlin, Chen Yuguang . Transform CSSCI Data to Bibexcel Data to Actualize Co-occurrence Matrix and a Case Study[J]. Library Journal, 2010,29(4):58-63, 42.)
[25] 张亮, 张继春, 张立才 , 等. 负压封闭引流联合前列地尔及依帕司他治疗糖尿病足溃疡[J]. 中国临床研究, 2020,33(3):359-362.
[25] ( Zhang Liang, Zhang Jichun, Zhang Licai , et al. Vacuum Sealing Drainage Combined with Alprostadil and Epalrestat in the Treatment of Diabetic Foot Ulcer[J]. Chinese Journal of Clinical Research, 2020,33(3):359-362.)
[26] Kosko B . Hidden Patterns in Combined and Adaptive Knowledge Networks[J]. International Journal of Approximate Reasoning, 1988,2(4):377-393.
[27] 杨钊斌, 陈惠萍, 赖嘉伟 , 等. 片仔癀对糖尿病并脓毒症肝损伤的治疗作用[J]. 糖尿病新世界, 2019,22(19):18-20.
[27] ( Yang Zhaobin, Chen Huiping, Lai Jiawei , et al. Therapeutic Effect of Pien Tze Huang on Liver Damage Caused by Diabetes and Sepsis[J]. Diabetes New World, 2019,22(19):18-20.)
[28] Ma H, Jia M, Xie M, et al. A Microblog Recommendation Algorithm Based on Multi-Tag Correlation [C]//Proceedings of the 8th International Conference on Knowledge Science, Engineering and Management, Chongqing,China. 2015, 483-488.
[29] 马慧芳, 张迪, 赵卫中 , 等. 基于超图随机游走标签扩充的微博推荐方法[J]. 软件学报, 2019,30(11):3397-3412.
[29] ( Ma Huifang, Zhang Di, Zhao Weizhong , et al. Microblog Recommendation Method Based on Hypergraph Random Walk Tag Extension[J]. Journal of Software, 2019,30(11):3397-3412.)
[1] 王伟, 高宁, 徐玉婷, 王洪伟. 基于LDA的众筹项目在线评论主题动态演化分析*[J]. 数据分析与知识发现, 2021, 5(10): 103-123.
[2] 沈卓,李艳. 基于PreLM-FT细粒度情感分析的餐饮业用户评论挖掘[J]. 数据分析与知识发现, 2020, 4(4): 63-71.
[3] 彭昱欣,邓朝华,吴江. 基于社会资本与动机理论的在线健康社区医学专业用户知识共享行为分析*[J]. 数据分析与知识发现, 2019, 3(4): 63-70.
[4] 吴菊华,王煜,黎明,蔡少云. 基于加权知识网络的在线健康社区用户知识发现*[J]. 数据分析与知识发现, 2019, 3(2): 108-117.
[5] 胡哲,查先进,严亚兰. 突发事件情境下在线健康社区用户交互行为研究 *[J]. 数据分析与知识发现, 2019, 3(12): 10-20.
[6] 杨磊,王子润,侯贵生. 基于Q-LDA主题模型的网络健康社区主题挖掘研究 *[J]. 数据分析与知识发现, 2019, 3(11): 52-59.
[7] 余本功, 张培行, 许庆堂. 基于F-BiGRU情感分析的产品选择方法*[J]. 数据分析与知识发现, 2018, 2(9): 22-30.
[8] 吴江, 刘弯弯. 什么样的评论更容易获得有用性投票*——以亚马逊网站研究为例[J]. 数据分析与知识发现, 2017, 1(9): 16-27.
[9] 李慧, 胡云凤. 基于动态情感主题模型的在线评论分析*[J]. 数据分析与知识发现, 2017, 1(9): 74-82.
[10] 张艳丰, 李贺, 彭丽徽, 侯力铁. 基于情感语义特征抽取的在线评论有用性分类算法与应用[J]. 数据分析与知识发现, 2017, 1(12): 74-83.
[11] 杨海霞,吴维芳,孙含林. 基于STM分析旅行者对不同档次酒店的偏好差异[J]. 现代图书情报技术, 2016, 32(9): 51-57.
[12] 张艳丰,李贺,彭丽徽. 基于模糊情感计算的商品在线评论用户品牌转换意向研究*[J]. 现代图书情报技术, 2016, 32(5): 64-71.
[13] 高松,王洪伟,冯罡,王伟. 面向在线评论的比较观点挖掘研究综述*[J]. 现代图书情报技术, 2016, 32(10): 1-12.
[14] 孙霄凌, 赵宇翔, 朱庆华. 在线商品评论系统功能需求的Kano模型分析——以我国主要购物网站为例[J]. 现代图书情报技术, 2013, (6): 76-84.
[15] 李志宇. 在线商品评论效用排序模型研究[J]. 现代图书情报技术, 2013, (4): 62-68.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn