虚拟健康社区文本数据知识发现策略与模型

doi:10.13266/j.issn.0252-3116.2018.05.014

图书情报工作 ›› 2018, Vol. 62 ›› Issue (5): 125-131.DOI: 10.13266/j.issn.0252-3116.2018.05.014

虚拟健康社区文本数据知识发现策略与模型

牟冬梅¹, 琚沅红¹, 戴文浩¹, 黄丽丽²

1. 吉林大学公共卫生学院长春 130000;
2. 长春中医药大学现代教育技术中心长春 130000

收稿日期:2017-09-10 修回日期:2017-10-20 出版日期:2018-03-05 发布日期:2018-03-05
通讯作者: 黄丽丽(ORCID;0000-0003-2651-8089),讲师,通讯作者,E-mail;huanglili1218@126.com。
作者简介:牟冬梅(ORCID:0000-0003-0237-034x),教授,博士生导师;琚沅红(ORCID:0000-0002-9146-4788),硕士研究生;戴文浩(ORCID:0000-0002-5796-1342),硕士研究生
基金资助:
本文系国家自然科学基金项目"嵌入式知识服务驱动下的领域多维知识库构建"（项目编号：71573102）和吉林省教育厅社科项目"虚拟健康社区知识发现与实证研究"（项目编号：JJKH20170881SK）研究成果之一。

Knowledge Discovery Strategy and Model of Virtual Health Community Text Data

Mu Dongmei¹, Ju Yuanhong¹, Dai Wenhao¹, Huang Lili²

1. Department of Medical Informatics, School of Public Health, Jilin University, Changchun 130000;
2. Modern Educational Technology Center, Changchun University of Chinese Medcine, Changchun 130000

Received:2017-09-10 Revised:2017-10-20 Online:2018-03-05 Published:2018-03-05

摘要/Abstract

摘要： [目的/意义]分析并提出虚拟健康社区文本数据的知识发现策略，构建虚拟健康社区文本数据知识发现模型。[方法/过程]通过总结分析虚拟健康社区文本数据特点，针对其特点带来的数据挖掘困难制定相应的知识发现策略，并在DIKW体系指导下，依据提出的知识发现策略构建虚拟健康社区文本数据知识发现模型。通过应用计算机编码、自然语言处理技术、句法分析、制定推理规则等方法实现从自由文本数据到药物不良反应智慧的数据价值升华过程。[结果/结论]通过实证研究验证提出的知识发现策略和知识发现模型的有效性和可操作性，为后续虚拟健康社区文本数据知识发现的相关理论与实证研究提供参考。

关键词: 虚拟健康社区, 文本数据, 知识发现, 知识发现策略, 知识发现模型

Abstract: [Purpose/significance] This study aims to analyze and propose the knowledge discovery strategy and build a knowledge discovery model of virtual health community text data. [Method/process] Firstly it summarized features of virtual health community text data, in view of the difficult of data mining to formulate the corresponding knowledge discovery strategy, and guided by DIKW system, to build knowledge discovery model of virtual health community text data based on knowledge discovery strategy. Through the application of computer code, natural language processing, syntactic analysis, and methods of inference rules, it realized the sublimation process of data value from free text data to the wisdom of adverse drug reactions. [Result/conclusion] Empirical research is carried out to verify the effectiveness and operability of the proposed knowledge discovery strategy and knowledge discovery model, so that it can provide reference for the subsequent theory and empirical research on knowledge discovery of virtual health community text data.

Key words: virtual health community, free text data, knowledge discovery, knowledge discovery strategy, knowledge discovery model

中图分类号:

G251

牟冬梅, 琚沅红, 戴文浩, 黄丽丽. 虚拟健康社区文本数据知识发现策略与模型[J]. 图书情报工作, 2018, 62(5): 125-131.

Mu Dongmei, Ju Yuanhong, Dai Wenhao, Huang Lili. Knowledge Discovery Strategy and Model of Virtual Health Community Text Data[J]. LIS, 2018, 62(5): 125-131.

参考文献

[1] ZAFARANI R, ABBASI M, LIU H.Social media mining:an introduction[M]. Cambridge:Cambridge University Press,2014:16.
[2] CHEN Y, LI Z, NIE L, et al. A semi-supervised bayesian network model for microblog topic classification[C]//24th International conference on computational linguistics.Mumbai:COLING, 2012:561-576.
[3] 景悦诚.基于丰富语言特征的中文社交媒体事件发掘[D].上海:上海交通大学, 2015.
[4] 朱晓光.基于半监督学习的微博情感分析方法研究[D].济南:山东财经大学, 2014.
[5] JI X, CHUN S A, GELLER J. Monitoring public health concerns using twitter sentiment classifications[C]//IEEE international conference on healthcare informatics. Philadelphia:IEEE Computer Society, 2013:335-344.
[6] GHOSH D,GUHA R.What are we ‘tweeting’ about obesity? Mapping tweets with topic modeling and geographic information system[J].Cartography and geographic information science,2013, 40(2):90-102.
[7] MEHROTRA R, SANNER S, BUNTINE W, et al.Improving LDA topic models for microblogs via tweet pooling and automatic labeling[C]//International ACM SIGIR conference on research and development in information retrieval. Gold Coast:ACM, 2013:889-892.
[8] PARKER J, WEI Y, YATES A, et al.A framework for detecting public health trends with Twitter[C]//IEEE/AMC international conference on advances in social networks analysis and mining.Niagare Falls:IEEE, 2013:556-563.
[9] DOAN S, OHNO-MACHADO L, COLLIER N. Enhancing twitter data analysis with simple semantic filtering:example in tracking influenza-like illnesses[C]//IEEE second international conference on healthcare informatics, imaging and systems biology. Piscataway:IEEE Computer Society, 2012:62-71.
[10] KOSTKOVA P, SZOMSZOR M, ST LOUIS C.Swineflu:the use of twitter as an early warning and risk communication tool in the 2009 swine flu pandemic[J].ACM transactions on management information systems, 2014, 5(2):1-25.
[11] YOUNG S D, RIVERS C, LEWIS B.Methods of using real-time social media technologies for detection and remote monitoring of HIV outcomes[J]. Preventive medicine, 2014, 63(3):112-115.
[12] BARAZANJI D, BJELKMAR P.System for surveillance and investigation of disease outbreaks[C]//23rd International conference on World Wide Web pages. Seoul:Association for Computing Machinery, 2014:667-668.
[13] ACKOFF R L.From data to wisdom[J].Journal of applies systems analysis,1989,16(1):3-9.
[14] BELLINGER G, CASTRO D.Data, information, knowledge, and wisdom[J]. Anaesthesia & intensive care medicine, 2004, 15(1):44-45.
[15] 马彬.事件关系识别关键技术研究[D].苏州:苏州大学, 2014.
[16] MedHelp[EB/OL].[2017-01-25].http://www.medhelp.org/.
[17] 冯丽芝. 面向命名实体抽取的大规模中医临床病历语料库构建方法研究[D].北京:北京交通大学, 2015.
[18] 医学一体化语言系统[EB/OL].[2016-12-12].http://www.cintcm.com/yuyan/content/word/UMLS.ppt.
[19] CHV Wiki[EB/OL].[2017-08-13].http://consumerhealthvocab.chpc.utah.edu/CHVwiki/.
[20] SIDER[EB/OL].[2017-09-12].http://sideeffects.embl.de/.
[21] MetaMap[EB/OL].[2017-03-12].http://metamap.nlm.nih.gov/.

虚拟健康社区文本数据知识发现策略与模型

Knowledge Discovery Strategy and Model of Virtual Health Community Text Data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	邓君, 王阮. 口述历史档案资源知识图谱与多维知识发现研究[J]. 图书情报工作, 2022, 66(7): 4-16.
[2]	丁培. 学术图表知识发现技术框架及研究进展[J]. 图书情报工作, 2021, 65(23): 136-148.
[3]	郭进京, 黄奇. 不确定性环境下的矛盾知识主张识别研究[J]. 图书情报工作, 2021, 65(20): 123-134.
[4]	索传军, 李木子. 我国学术论文研究问题探析——基于2015-2020年图情领域CSSCI发表论文的实证研究[J]. 图书情报工作, 2021, 65(19): 105-116.
[5]	张海涛, 宋拓, 周红磊, 张鑫蕊. 基于谱聚类的虚拟健康社区知识聚合方法研究[J]. 图书情报工作, 2020, 64(8): 134-140.
[6]	张永娟, 刘炜, 于建荣, 陈涛. 基于IIIF和语义知识图谱的印章资源整合与知识发现研究[J]. 图书情报工作, 2020, 64(7): 127-135.
[7]	李慧芳, 孟祥保. 近十年国内外图书馆资源发现系统研究与实践进展述评[J]. 图书情报工作, 2020, 64(6): 120-129.
[8]	徐源, 胡正银, 宋亦兵, 吴璇. 面向学科知识服务的微信小程序研究与实践[J]. 图书情报工作, 2020, 64(14): 54-62.
[9]	王雪, 武俊伟, 陈观群, 李燕琼, 马路. 阿尔茨海默病基因-疾病关联的知识挖掘[J]. 图书情报工作, 2020, 64(13): 120-132.
[10]	庞弘燊. 基于科技文献多重共现的数据模型理论与知识发现应用范例研究[J]. 图书情报工作, 2019, 63(9): 61-72.
[11]	付芸, 汪雪锋, 李佳, 侯雨佳. 基于SAO结构的创新解决方案遴选研究——以空气净化技术为例[J]. 图书情报工作, 2019, 63(6): 75-84.
[12]	李洁, 毕强, 许鹏程, 牟冬梅. 数字图书馆知识发现的数据驱动机制及绩效优化研究[J]. 图书情报工作, 2019, 63(3): 6-13.
[13]	张晗, 毕强, 丁梦晓, 李洁, 牟冬梅. 基于多特征耦合的数字图书馆知识发现服务优化研究[J]. 图书情报工作, 2019, 63(3): 14-20.
[14]	毕强, 李洁. 数据时代图书馆服务发展方向[J]. 图书情报工作, 2019, 63(1): 18-22.
[15]	张颖. 美国研究型图书馆研究数据服务的实践进展及趋势[J]. 图书情报工作, 2017, 61(9): 33-41.