国内医疗健康领域人工智能研究热点及趋势分析

目的 探讨国内医疗健康领域下人工智能研究热点及发展趋势。方法 选取中国知网、万方数据知识服务平台、维普网作为检索数据库,以2014年1月至2023年12月人工智能在医疗健康领域期刊论文的摘要作为研究数据,应用隐含狄利克雷分布主题模型并进行主题挖掘与演化分析,对热点研究主题进行研判。结果 共纳入3 275篇文献,医疗健康领域下人工智能相关研究发文量于2018年开始明显增长。提取到8个研究主题,其中4个被归为热点主题,分别为医疗影像处理、智能医疗服务平台、医学图像算法、临床决策辅助系统。结论 本研究为我国该领域融合创新发展提供相关思路和方法参考。未来应持续关注该领域实际需求背后的技术问题,并加强对基础关键技术的研究和创新。

基于LDA主题模型的智慧健康养老服务与管理人才岗位需求分析

目的应用潜在狄利克雷分配(LDA)主题模型挖掘养老服务与管理人才的岗位需求,为相关人才培养提供依据。方法采用Python程序软件抓取前程无忧、智联招聘、猎聘网、养老网、丁香人才网等网站上与养老服务与管理人才相关的招聘信息,并进行数据清洗,借助LDA主题模型对数据进行主题识别,分析岗位需求。结果共采集招聘信息3684条。数据清洗后获得2120条有效数据,包含健康照护类1161条,经营与管理类959条。招聘信息主要分布在华东、华北和华南地区。2类岗位各自析出8个岗位需求主题,按照主题强度,健康照护岗位析出的需求主题依次为:性格品质、生活及心理照料能力、疾病照料能力、职业礼仪和态度、急救与安全照料能力、职业通用能力、活动组织及服务管理能力、信息技术和老年政策法规知识;经营与管理岗位析出的需求主题依次为:机构运营管理能力、性格品质、市场开发与定位能力、客户维护与产品销售能力、职业礼仪和态度、职业通用能力、活动组织和策划能力、信息技术和老年政策法规知识。结论健康照护和经营与管理岗位知识和技能需求存在差异,但两者均重视养老服务与管理人才的人文素养和信息化应用能力,上述需求特征可为相关人才培养提供一定参考。

融合主题特征的文本情感分析模型

随着大型语言模型的快速发展,如何在保证模型性能的同时减少模型参数量,成为了自然语言处理领的一个重要挑战。然而,现有的参数压缩技术往往难以兼顾模型的稳定性和泛化能力。为此,提出了一种融合主题特征的情感分析新架构,旨在利用主题信息增强模型对文本情感极性的判断能力。具体而言,采用一种结合LDA和K-means的方法来提取文本的主题特征,并将其作为固定维度的向量与词嵌入进行拼接,得到新的词向量表示。随后使用平均池化技术构建句子级别的表征向量,并输入到一个全连接层进行情感分类。为了验证所提模型的有效性,在公开的情感分析数据集上与多个基准算法进行了对比实验。实验结果表明,所提模型在多个数据集上明显优于ALBERT,准确率提高了约3.5%,在参数量仅有微小增加的情况下维持了较高的稳定性和泛化能力。

基于LDA模型的元宇宙主题挖掘与演化

检索WoS核心数据库关于元宇宙文献(保留文献的摘要部分),依靠Python进行LDA(潜在狄利克雷分配)模型构建,通过困惑度以及主题一致性确定最佳主题数,并抽取文本下词频最高的11个主题,对元宇宙相关文献进行主题抽取与挖掘,运用WordCloud技术、桑基图(主题相似度)进行主题演化分析,从而了解元宇宙发展状态以及演化趋势。结果表明:目前关于元宇宙的研究主要在“元宇宙技术”和“元宇宙应用”方面,词云分析中关键词“tech-nolog”以及“virtual”较为突出;从主题热度分析来看,主题4(教育元宇宙研究)、主题7(元宇宙技术研究)、主题8(元宇宙应用研究)是目前元宇宙研究的热点;从主题演化分析来看,第1阶段(2018—2022年)中主题2元宇宙模型研究和主题8元宇宙技术研究表现出较强的演化能力,第2阶段(2023—2024年)的主题4元宇宙体验研究和主题8元宇宙场景构建研究演化能力强,且与相邻主题相似性高。

在线健康社区中睡眠障碍疾病描述文本主题特征研究

目的/意义通过挖掘睡眠障碍疾病描述文本,深入了解睡眠障碍线上问诊的现状与睡眠障碍用户的在线问诊信息主题特征。方法/过程以“好大夫在线”平台为数据源,利用网络爬虫获取睡眠障碍相关医患信息,使用隐含狄利克雷分布模型识别患者疾病描述的主题。结果/结论睡眠障碍涉及科室较分散、治疗方式以药物为主,线上问诊能改善83.2%患者病情。用户疾病描述主题包括用药情况与咨询、外界环境、症状描述、代问与病因。建议平台与医生关注患者用药预后情况、心理健康状况,注重共病科普工作。

基于混合概率潜在语义分析模型的Web聚类

在电子商务应用中,为了更好地了解用户的内在特征,制定有效的营销策略,提出一种基于混合概率潜在语义分析(H-PLSA)模型的Web聚类算法。利用概率潜在语义分析(PLSA)技术分别对用户浏览数据、页面内容信息及内容增强型用户事务数据建立PLSA模型,通过对数—似然函数对三个PLSA模型进行合并得到用户聚类的H-PLSA模型和页面聚类的H-PLSA模型。聚类分析中以潜在主题与用户、页面以及站点之间的条件概率作为相似度计算依据,聚类算法采用基于距离的k-medoids算法。设计并构建了H-PLSA模型,在该模型上对Web聚类算法进行验证,表明该算法是可行的。

文本情感文摘自动提取方法研究

为了快速获取网络文本中主题内容和情感信息,提出了文本情感文摘的概念,同时提出了一种基于条件随机场模型的情感文摘提取方法.首先提取文本中的句子长度、提示词以及情感词语作为基本特征,同时应用浅层狄利赫雷分配的主题模型,分析文本潜在主题信息,提取主题特征,将这两类特征同时应用到条件随机场模型中,从而获取文本的情感文摘.实验结果表明,该方法细腻刻画了文本的主题信息,同时考虑了文本主题的情感色彩,文摘提取效果较理想,能满足用户的实际需要.

基于LDA模型的音乐推荐算法

互联网的普及以及音乐资源的电子化使得人们可以更方便地获得音乐资源。但随着音乐库变得越来越大、资源越来越丰富,人们已经很难准确及时地找到自己喜欢的音乐。因此,对于音乐网站而言,需要一个合适的音乐推荐算法向用户推荐音乐。根据已有的基于音频信息的音乐推荐以及协同过滤方法,分析用户的音乐试听数据以及下载数据,并结合Latent Dirichlet分配(LDA)主题挖掘模型,提出一种音乐推荐算法。实验结果表明,与基于用户的协同过滤算法以及基于项目的协同过滤算法相比,该算法可以更加高效地向用户推荐感兴趣的音乐。

微信息大数据粗糙集的近似约简

为了应对微信息舆情数据的格式复杂、价值稀疏和收集困难等大数据处理技术难题,基于隐含语义分析和粗糙集近似约简理论,设计微信息的数据区间值集和近似匹配分类算法.在不影响数据主要关联关系的原则下,提炼核心属性、消减次要属性,实现一种微信息异常主题倾向的发现方法.结果表明,该近似约简算法能在完成微信息兴趣倾向主题分类的前提下,将数据集属性大幅度缩减,提高微信息的信息挖掘效率,为微信息大数据舆情处理工作提供了新的思路和案例.

革命星空的覆盖与存留——论十七年小说对民国时代的叙述

新中国的建立,确认了民国时代的基词与中心,并决定了当时作家书写民国时代的目的,而“史传”、“诗骚”的小说传统则为此提供了独特的文学资源,十七年小说最终建立了一种与权威历史话语相辅相成的形象化历史图象,并借助超空间隐形叙述制造出历史客观化的阅读效果,从而使民国时代覆盖在革命的星空下。其中独特个人记忆的存留保证了小说的最低限度的审美意蕴。

模式解构的极致与限度——论新历史小说对民国时代的叙述

西方当代史学观念的介绍与引进、历史行程的延展性与几度的迂回性、作家自身的独特经历促使新一代作家抛弃既有历史观、文学观,完全颠覆民国叙事的经典模式:打破阶级界线、释放个人欲望、强调偶然不测,并用种种形式探索来显示历史叙述的主观性,创作了一批被称为"新历史小说"的作品。但解构的偏执,使他们的历史言说局限于"前文本"的固有层次,最终未能表达出对民国时代的个性化理解。

DOLDA模型设计与主题演化分析

为解决OLDA模型挖掘大规模文档主题时计算效率低下和不能发现新主题的问题,提出一种分布式的DOLDA模型(distribute online LDA,DOLDA)。建立分布式矩阵存储主题-词项,设计一种动态负载均衡策略来提升计算速度和线程调度的性能,根据Zipf定律结合主题的遗传度提出一种文档权值设置方法。在Spark分布式计算平台的实验结果表明,相比OLDA模型,DOLDA模型能够提高近16%的加速比,有效地在线分析主题的演化。

在线社交网络中服装品牌信息主题挖掘及其指标构建

为深入探究在线社交网络中服装品牌信息传播主题及其内涵,首先通过选择性接触理论分析消费者接触信息时的心理过程,然后运用数据挖掘和隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型,从大量在线社交网络的服装品牌文本数据中挖掘服装品牌信息主题,再运用扎根分析方法提炼出服装品牌信息指标体系。最终形成的服装品牌信息指标体系包括产品信息、服务信息、营销信息、口碑信息、企业信息和环境信息6个维度和产品属性、售前服务、广告营销、企业形象等13个指标,并提出针对性的服装品牌信息设计和传播建议。研究结果可为服装企业在社交网络中传播符合消费者需求的服装品牌信息提供参考。

一种结合主题模型的推荐算法

针对传统协同过滤推荐算法存在的冷启动、数据稀疏以及相似度度量的准确性问题,基于LDA主题模型对文本隐式主题挖掘的有效性和KL散度在主题分布相似性度量的准确性,提出了结合LDA主题模型的矩阵分解推荐算法。首先,利用改进的LDA算法输出项目—主题分布,并用困惑度作为主题数设置的修正函数;然后分别基于余弦相似度和KL散度计算得到项目相似度矩阵,将得到的相似度矩阵结合原评分训练集输出预评分,再将预评分填充到训练集;最后将训练集输入ALS矩阵分解算法得到推荐结果。通过MovieLens数据集的实验结果表明,该算法在不同隐式参数设定下均能得到比ALS推荐算法以及更小的预测误差,并且最优预测误差小于传统推荐算法。该实验说明了通过集成LDA主题模型的ALS算法效果要优于其他推荐算法。

基于分布式LDA-Spark的微博用户兴趣挖掘

为了挖掘海量微博数据中潜在的语意信息,通过Gibbs采样方式,并结合Spark分布式计算框架,实现了一种LDA主题模型并行化的算法。该算法针对微博数据的特点,将3层贝叶斯概率模型改为用户-主题-词模型;为了满足LDA的并行化处理需求,采用了一种无冲突的数据分割方法将数据集分成了P×P个数据块,将分割好的数据块重新排序整合成P个子集,保证每个子集中均包含P个数据块,对每个子集进行并行采样。从困惑度、收敛速度及加速比3个方面对改进算法与标准LDA算法进行了对比实验,困惑度2种算法的结果接近;在收敛速度方面,改进算法较标准LDA慢,但在实际应用中对效率没有太大影响;加速比实验中,总词数为100万、work节点为8时,改进算法所用时间是标准LDA的16.78%。实验结果表明,改进算法能得到较为精确的模型,并在大数据环境下可以取得良好的加速效果。

从《太阳照常升起》看海明威创作的冰山风格

海明威的冰山风格体现在“潜台词”,即“潜在水下面的主题”和创作中。在创作中,又体现在景物描写中,把线条译成语言,达到一种单纯、坚实、有深度的意境,没有一点议论和抒情,使读者身临其境;在人物塑造上,没有品评、议论和解释说明,而是“照相式”的客观描写和简洁、生动、个性化的“电报式”的对话。

突发重大传染病事件卫生系统管理政策主题聚类与演化分析

目的 探究我国突发重大传染病事件卫生系统管理政策的主题内容和演化趋势,为制定和完善传染病卫生系统防控政策提供依据。方法 设计网络爬虫路线获取国家卫生健康委员会、国务院政策文件库和北大法宝网站平台内有关突发重大传染病事件卫生系统政策文本数据,检索时间为2003年1月-2023年5月。利用隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)对纳排后的数据进行主题分析,并绘制时间-强度变化曲线。结果 共纳入129项政策,根据一致性测算求得文本最佳主题数为11。最终归纳为政府指挥作用、医院服务质量、信息监测预警、分级诊疗等10个热点主题。根据时间-强度曲线将其划分为热度平稳型主题、热度上升型主题、热度下降型主题和一过性主题。结论 突发重大传染病事件卫生系统管理政策发布量显著增长,并随着特定传染病事件发生明显波动,在2003年与2020年出现峰值。政府在突发重大传染病事件卫生领域的引导作用不断加强,同时强调推动分级诊疗,构建政府主导的多元社会合作网络概念逐渐被放大。医疗机构更注重突发重大传染病事件的全程干预和应对体系建设,同时强调智慧医疗的改革与创新。

基于改进LDA算法的电力用户咨询文本分类算法

针对目前情感极性分析中电力咨询短文本的准确性较低的问题,提出一种基于改进潜在狄利克雷分配(LDA)算法的电力用户咨询文本分类算法。在分析电力咨询短文本与情感的关联关系基础上,定义了基于情感词共现袋、主题特殊词以及主题关系词的概念;为提高语义分析的质量,设计了改进LDA算法的电力用户咨询文本分类算法执行流程。实验表明,所提模型表现出优异性能,平均精确度和平均召回率为90.91%和85.03%。所提模型可充分发挥多模型集成优势,有效提升模型性能。

在线医疗社区中银屑病患者健康信息需求的分析

目的分析在线医疗社区中关于银屑病的问答记录,了解医患群体的相关信息及提问记录的主题特征,探究银屑病患者的健康信息需求。方法采集2020年1月1日—12月31日浏览量排名前3位的在线医疗社区的银屑病用户提问记录数据,对数据进行预处理后,通过潜在狄利克雷分配(LDA)主题模型对提问记录进行主题特征挖掘,同时分析医患群体的相关信息。结果共得到8959条规范数据,分为8个主题,反映了患者在银屑病的治疗、护理、临床症状、发病因素等方面的实际需求。结论应用LDA主题模型分析在线医疗社区中的数据可以反映银屑病患者对健康信息的需求与治疗护理要点,可基于患者需求提供护理指导,完善皮肤疾病健康教育模式,为皮肤疾病护理的研究提供借鉴。