面向医疗社交媒体的用户评论情感分析研究

第３４卷第６期　２０１６年１２月　郑州航空工业管理学院学报　

Ｊｏｕｒｎａｌ　ｏｆ　Ｚｈｅｎｇｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ａｅｒｏｎａｕｔｉｃｓ　Ｖｏ１．３４　Ｎｏ．６　

Ｄｅｃ．２０１６　

１）ＯＩ：１０．１９３２７／ｊ．ｃｎｋｉ．ｚｕａｘｂ．１００７－９７３４．２０１６．０６．０１０　面向医疗社交媒体的用户评论情感分析研究　

孙二冬　，王　刚　，　（１．合￣．ｘ－，３ｋ大学管理学院，安徽合肥２３０００９；　２．过程优化与智能决策教育部重点实验室，安徽合肥２３０００９）　

摘要：针对已有的文本情感分析方法并没有关注到医疗社交媒体中用户评论数据呈现　非均衡分布的问题，将非均衡数据分类方法应用于医疗社交媒体用户评论情感分析研究中，该　方法主要包括基于取样的方法和基于集成学习的方法，分别从数据层面和算法层面来解决医　疗社交媒体中数据非均衡分布问题。与其他的方法相比，Ｒａｎｄｏｍ　Ｓｕｂｓｐａｃｅ方法取得了最好的　分类效果。实验结果验证了非均衡数据分类方法在医疗社交媒体用户评论情感分析中应用的　有效性。　关键词：医疗社交媒体；非均衡数据分类；文本情感分析；集成学习　中图分类号：Ｆ２７０　文献标识码：Ａ　文章编号：１００７—９７３４（２０１６）０６—００６３—０８　

一、

引　言　

随着互联网技术的迅速发展和广泛普及，其　已成为人们生活中必不可少的组成部分。根据　最新的《中国互联网发展状况统计报告》显示，截　至２０１５年６月，我国网民规模已达６．６８亿，互联　网普及率为４８．８％…。互联网技术的迅速发展　和广泛普及推动了微博、论坛和贴吧等社交媒体　的发展，在这些社交媒体上，用户可以自由发布　和传播信息、分享观点和经验，于是产生了大量　用户生成的主观性文本。这些主观性文本包含　着用户观点、意见和态度等情感信息，对于互联　网用户有着重要的作用　儿　。例如电子商务网　站中的商品评论可以帮助消费者了解到商品的　质量和品质等信息，以及其他消费者对商品的态　度倾向，从而辅助他们做出购买决策。　与电子商务领域的社交媒体类似，医疗社交　媒体上也存在着大量用户生成的主观性文本，例　如患者根据自己的就诊经历，通过医疗社交媒体　对医院、医生或者药品等发表评论。一方面，患　者可以从这些主观性文本中了解到其他患者在　治疗方面的心得体会，以及他们对治疗过程中的　医院、医生和药品的态度倾向，以此来帮助患者　做出正确的治疗决策。另一方面，医院、医生或　者药品的生产商也可以从患者反馈的信息中受　益　儿５Ｊｌ６　Ｊ。例如医院可以根据这些主观性评论　文本来改善服务质量，提高医院的知名度；医生　可以根据患者的评论，认识自身在行医中的不　足，积极改善服务水平，来缓解当下紧张的医患　关系；药品生产商可以根据医疗社交媒体上的用　户对药品的反馈信息，如药品的副作用等，对药　品进行改进。因此，在医疗社交媒体上，这些用　户生成的主观性文本同样对用户有着重要的作　用。随着医疗社交媒体的广泛普及，医疗社交媒　体上的主观性文本的数量急剧增加，仅靠人工方　法来处理和分析这类主观性文本需要耗费大量　的人力和时间。因此，如何利用计算机来分析和　挖掘医疗社交媒体中用户的立场、观点、情绪等　情感信息，进而对医疗社交媒体中用户的情感倾　向做出判断，已成为当前迫切需要解决的问题，　而文本情感分析技术正是解决这一问题的有效　工具　。　从应用角度看，已有研究者将文本情感分析　技术应用到医疗社交媒体中，对医疗社交媒体上　

收稿日期：２０１６—０８—２８　基金项目：国家自然科学基金项目（７１１０１０４２，７１４７１０５４）；安徽省自然科学基金项目（１６０８０８５ＭＧ１５０）　作者简介：孙二冬，男，安徽滁州人，硕士研究生，研究方向为数据挖掘和信息管理。　王刚，男，江苏连云港人，博士，副研究员，研究方向为商务智能和数据挖掘。　郑州航空工业管理学院学报　第３４卷　用户关于医疗机构、医生以及药品的评论文本进　行分析。ＸｉａＬ，Ｇｅｎｔｉｌｅ　ＡＬ，ＭｕｎｒｏＪ（２００９）使用文　本情感分析技术将Ｐａｔｉｅｎｔ　Ｏｐｉｎｉｏｎ论坛中，患者　对当地医疗服务机构的评论文本进行分类，从而　帮助相关医疗机构有针对性地改善医疗服务质　量，引导患者选择优质的医疗资源。Ａｌｅｍｉ　Ｆ，Ｔｏ—　ｒｉｉ　Ｍ，ＣｌｅｍｅｎｔｚＬ（２０１２）使用文本情感分析技术　分析患者对医生的评价，了解患者产生不满的原　因，进而改善医生服务的不足之处，提升患者的　满意度，促进医患关系的和谐稳定。Ｎａ　ＪＣ，Ｋｙａ—　ｉｎｇ　Ｗ（２０１２）使用文本情感分析技术对医疗论坛　中患者对药品的评论进行分析，确定使用者对该　药品的情感倾向，有助于其他患者了解药品的治　疗效果，指导他们正确购买和使用药品　。从研　究方法角度看，与其他领域相类似，医疗社交媒　体中的文本情感分析技术也主要可以分为基于　情感知识的方法和基于机器学习的方法　。其　中，基于情感知识的方法主要通过利用现有的情　感词典和语言知识来对医疗社交媒体中的主观　性文本的情感倾向进行分类，如ＰＯＳ　Ｔｒａｇｇｅｒ，　Ｇｅｎｅｒａｌ　Ｉｎｑｕｉｒｅ，ＳｅｎｔｉＷｏｒｄＮｅｔ等。基于情感知识　的方法主要以自然语言处理为基础，由于基于情　感知识的文本情感分类方法需要事先构建情感　知识库，这大大限制了这类方法的进一步发　展－－，　。因此，基于机器学习的方法受到了越来越　多研究者的关注。基于机器学习的方法主要是　利用机器学习中的分类方法，来对医疗社交媒体　中的主观性文本包含的情感进行分析。其主要　包括两个步骤＿３儿　：首先，对于医疗社交媒体中　文本情感分析的特征构建，目前使用最多的特征　构建方法是基于词袋（Ｂａｇ—ｏｆ—Ｗｏｒｄｓ）的框架下　进行的，在词袋的框架下，医疗社交媒体中的主　观性文本被看作是无序词汇的集合，主要使用Ｎ　—ｇｒａｍ作为词语特征。也有研究者通过借鉴自　然语言处理技术，将那些被词袋忽略的复杂特征　添加到文本分类的样本特征中，如否定词、词性　等。但这些方法不仅没有明显提高分类器的分　类精度，而且需要对样本数据进行复杂的预处理　操作，在训练分类器时延长了学习时间。其次，　使用ＮＢ（Ｎａｉｖｅ　Ｂａｙｅｓ）、ＭＥ（Ｍａｘｉｍｕｍ　Ｅｎｔｒｏｐｙ）　和ＳＶＭ（Ｓｕｐｐｏ￣Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）等分类方法对　医疗社交媒体中的主观性文本进行分类。　目前，虽然基于机器学习的方法对于医疗社　交媒体中的文本情感分析问题，已经取得了较好　的分类结果，但是对医疗社交媒体中用户评论数　据呈现非均衡的特点关注不足。已有的大多数　经典机器学习方法，一般都是基于数据类别分布　均衡的假设，而在医疗社交媒体的用户评论中，　经常会遇到数据类别分布非均衡的问题　。如　果直接将这些传统的分类方法应用于医疗社交　媒体的非均衡数据分类问题，往往会将少数类样　本误分为多数类。然而，在医疗社交媒体的非均　衡数据分类问题中，少数类往往是关注的重点，　对少数类的误分会给患者带来巨大的损失。为　此，本文根据医疗社交媒体中用户评论数据分布　非均衡的特点，将非均衡数据分类方法应用于医　疗社交媒体用户评论情感分析研究中。非均衡　数据分类方法主要包括基于取样的方法和基于　集成学习的方法　，其中基于取样的方法主要从　数据层面来改变医疗社交媒体中用户评论数据　的非均衡分布，以降低数据的非均衡程度，进而　减少数据非均衡分布给分类器带来的负面影响；　而基于集成学习的方法主要从算法层面来解决　数据非均衡分布问题，提出新的适应非均衡分布　数据的分类器，通过训练多个分类器并将其结果　进行整合，从而获得比单个分类器更好的分类效　果。为了验证非均衡数据分类方法对医疗社交　媒体上用户评论文本情感分类的有效性，我们分　别从快速问医生和Ａｓｋ　Ａ　Ｐａｔｉｅｎｔ网站上抓取用　户对药品的评论数据进行实验，实验结果表明，　非均衡数据分类方法总体上比传统方法取得的　分类结果要好，基于集成学习的方法在所有数据　集上取得的分类结果都高于基于取样的方法取　得的分类结果，并且Ｒａｎｄｏｍ　Ｓｕｂｓｐａｃｅ方法取得　了比其他分类方法都好的实验结果。　

二、医疗社交媒体中基于非均衡数据分类的　用户评论情感分析研究　

（一）医疗社交媒体中用户评论情感分析的　研究框架　互联网技术的不断普及促进了医疗社交媒　体的出现，医疗社交媒体已成为用户及时发布新　的医疗相关知识、实现网络互动的交互平台，如　丁香园、医脉通、快速问医生等ｌｌ　。越来越多的　第６期　孙二冬，王刚：面向医疗社交媒体的用户评论情感分析研究　用户乐于在这些医疗社交媒体平台上分享自己　在就医过程中的观点和体验，因而产生了大量用　户生成的主观性文本，这类包含着用户情感信息　的主观性文本为医疗社交媒体上的用户、医院、　医务人员和药品生产商等提供了丰富的决策参　考信息，成为其工作和生活中重要的信息来源。　因此，如何准确地对医疗社交媒体上的用户评论　文本中所包含的情感信息进行分析，已经成为当　前研究的热点问题之一。　本文考虑到医疗社交媒体中用户评论数据　呈现非均衡的特点，将非均衡数据分类方法应用　于医疗社交媒体用户评论情感分析中，主要分为　四个步骤：第一步，从医疗社交媒体上获取用户　评论作为实验数据集；第二步，对从医疗社交媒　体上获取的用户评论文本数据进行数据预处理；　第三步，使用非均衡数据分类方法对医疗社交媒　体上的用户评论文本数据进行分类；第四步，使　用评价指标分析比较各个非均衡数据分类方法　对医疗社交媒体中用户评论情感分类的效果。　医疗社交媒体中用户评论情感分析的研究框架　如图１所示。　

医疗社交媒体　Ｊ　自　ｒ　●　ｌ解析网页信息１　

．—　Ｌ～．　≈≈＝：＝　

始　！塑　数据获取

．　

匝　圈　．　．生　。区叠回　

匪匿因　南～…珊　

原始　…～　两　１分　钫、法　方法　取样方法‘　—集成方法’　［　］　匝蟊函　

ＳＶＭ　ｌ　ｌ　ＵＳ　ｌ　ｌ　Ｂｏｏｓｔｉｎ￣ｌ　［　四　［　］　～　，　…’一　ｌ　数据分类　ｌ　

ｌ　ｆ　Ｉ　ｌ　两骊　

．【、’　．・‘　ｉ　ｔ卜广　

图１　医疗社交媒体中用户评论情感分析的研究框架　

（二）数据获取和预处理　为了对医疗社交媒体上的用户评论进行情　感分析，需要获取相关医疗社交媒体上的用户评　论文本。同时，为了方便后续对医疗社交媒体上　的用户情感进行分类，需要对医疗社交媒体上的　用户评论文本进行数据预处理，这些数据预处理　工作对分类结果的准确性有着重要的作用。　第一步，为了保证实验的有效性，本文分别　从国内外知名的医疗社交媒体上获取用户评论　文本作为实验数据，目前数据获取主要有两种方　法　…：一种是通过开放接口（ＯｐｅｎＡＰＩ），另一种　是通过网络爬虫技术¨　。为了更加方便、有效地　获取数据，本研究使用自己编写的网络爬虫程序　来获取医疗社交媒体上的用户评论。　第二步，由于医疗社交媒体上的用户评论文　本都是非结构化的数据，不便于直接使用机器学　习的方法对医疗社交媒体上的用户评论文本进　行分类，所以必须对获取的非结构化用户评论文　本数据进行预处理。只有通过数据预处理工作　将医疗社交媒体上的用户评论文本表示成分类　特征，才能使用机器学习的方法对文本情感进行　分类。在本研究中，数据预处理工作主要包括以　下几个步骤：第一，对医疗社交媒体上的用户评　论数据进行筛选，剔除评论数据中重复出现的评　论，在此基础上，剔除不一致的评论，有些评论内　容是正面的，但是用户给的却是差评，而有些评　论内容是负面的，用户却给好评，这类评论会对　分类方法的有效性产生巨大的影响；最后，剔除　用户评论文本长度小于２０个字节的评论。第　二，文本预处理主要包括分词、词型转换、去除标　点符号、去除停用词等操作。首先，对于医疗社　交媒体中的英文评论文本，由于英文单词间存在　空格和标点符号，所以不需要进行分词处理；但　英文中存在时态和人称的区别，需要利用ｓｔｅｍ方　法对医疗社交媒体上的英文评论文本中的词型　进行转换，如将ｄｏｅｓ、ｄｉｄ、ｄｏｎｅ、ｄｏｉｎｇ统一转换成　ｄｏ；在此基础上，去除标点符号和停用词，这些标　点符号和停用词出现频率较高会给分类带来噪　音，因此需要剔除这些无用的词条来降低特征维　度，提高分类精度。其次，对于医疗社交媒体中　的中文评论文本，需要使用中文分词工具进行分　词处理，将连贯的文档分割成词的列表，本文利