登入帳戶　 |　訂單查詢　 |　購物車/收銀台( 0 )　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入 新註冊 |　新用戶登記

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

新書推薦： 《 投诉是礼物：理论版+实践版（套装2册） 长盛不衰的客户服务指南！ 》 售價：NT$ 614.0 《 女性史：革命与战争时期卷（一次重构人类历史的努力） 》 售價：NT$ 614.0 《 永无止尽的狂热：三岛由纪夫 》 售價：NT$ 311.0 《 原来这就是逻辑学：16堂大师逻辑课 》 售價：NT$ 259.0 《 隋唐王朝兴亡史 》 售價：NT$ 354.0 《 货币新纪元：区块链重塑金融生态 》 售價：NT$ 458.0 《 规制如何生财：清代盐政基本原理研究（1644-1850） 》 售價：NT$ 458.0 《 小学生C++趣味编程从入门到精通 青少年软件编程等级考试（C语言）学习用书 》 售價：NT$ 463.0

建議一齊購買： + NT$ 381 《 数字化领导力 》 + NT$ 594 《 信息传：决定我们未来发展的方法论（吴军2020新作） 》 + NT$ 452 《 智慧医院信息安全治理体系 》 + NT$ 529 《 数字公共治理中多主体协作模式、平台和机制研究 》 + NT$ 941 《 大数据应用蓝皮书：中国大数据应用发展报告No.7（2023） 》 + NT$ 510 《 新媒体之光：如何站在风口拥抱时代红利 》 編輯推薦： 本书主要围绕在线健康社区中的用户行为和信息交互这一内容展开，分别就基于用户特征的角色识别及行为模式探测、基于交互行为的意见领袖识别及群组探测、基于交互内容的主题识别及演化探测、基于信息行为的社会情感支持识别及用户类型探测、基于用户角色和主题识别的用户行为探测进行展开分析。各章节中分别梳理了相关的研究基础，并提出了具体的研究方案，依据研究方案进行了实证分析并对分析结果进行讨论。最后，对上述研究进行了总结和梳理，以期为今后的相关研究提供方法参考和思路借鉴。 內容簡介： “互联网 ”医疗、“健康中国2030”等国家战略的先后出台，为网络医疗健康服务的快速发展提供了契机。与传统的以医生为中心的医疗健康服务模式相比，在线健康社区为用户提供了一个就健康医疗相关话题进行信息交流、经验分享、问答咨询及社会支持的开放式网络平台。近年来，虽然在线健康社区迅速发展，但依然面临着用户流动性大、信息利用率低、社区平台治理困难等亟需解决的问题。 本研究以机器学习、文本挖掘方法、社会网络分析等数据驱动分析方法为手段，探析在线健康社区中信息、用户和社区平台三个要素之间的潜在相互作用机制，构建数据驱动的在线健康社区系统分析框架。通过对在线健康社区中用户信息交互行为的多维视角挖掘，有助于网络健康信息综合治理体系的建立，并且可以应用于在线健康社区的治理与建设实践中，推动网络医疗健康服务和智慧医疗服务发展，优化网络健康信息生态环境，从而推动全民健康目标的实现，助力健康中国战略实施。 關於作者： 赵月华，南京大学信息管理学院副教授、博士生导师。博士毕业于美国威斯康辛大学密尔沃基分校信息研究学院。主要研究方向包括健康信息学、社交媒体用户健康信息行为等。主持和参与多项国家自科基金、国家社科基金、教yu部人文社科基金项目。在Information Processing & Management、Journal of Informetrics、Journal of Medical Internet Research等国内外重要期刊和学术会议上发表论文50余篇，其中包括ESI全球高被引论文2篇。 苏新宁，南京大学信息管理学院教授、学科带头人、南京大学南雍学者特任讲座教授、教yu部长江学者特聘教授、享受国务院政府特殊津贴专家、全国创新争先奖获得者、杰出情报科学家奖获得者、江苏省十佳研究生导师，同时也是中文社会科学引文索引（CSSCI）的设计者。其研究领域主要是知识组织、知识服务、信息分析、信息智能处理与检索。 许鑫，华东师范大学信息管理系教授、博士生导师。其研究方向为科技情报、健康信息、数字人文。先后主持30余项国家级和省部级纵向课题，在国内外核心期刊发表学术论文300余篇，出版专著、教材、研究报告20余部，先后6次获省部级以上科研成果奖和教学成果奖。 目錄： 第1章 绪论1 1.1研究背景1 1.2研究意义3 1.3研究思路4 1.4研究方案6 1.5研究方法7 1.6研究数据9 1.7研究内容13 第2章 在线健康社区分析框架15 2.1信息维度的在线健康社区分析16 2.2用户维度的在线健康社区分析34 2.3社区维度的在线健康社区分析59 2.4本章总结74 第3章 基于特征的角色识别及用户行为模式探测78 3.1在线健康社区用户分类研究78 3.2研究方法81 3.3用户分布88 3.4用户角色识别92 3.5用户角色识别及行为模式分析98 3.6本章总结109 第4章 基于信息交互的意见领袖识别及群组探测110 4.1在线健康社区信息交互行为分析及群组探测110 4.2本章研究方法115 4.3信息交互行为统计分析122 4.4信息交互网络分析128 4.5意见领袖识别及特征分析139 4.6用户群组分析152 4.7本章总结163 第5章 基于信息交互内容的主题识别及演化探测166 5.1基于用户生成内容的主题分析166 5.2本章研究方法177 5.3基于信息交互内容的主题及特征词分布184 5.4基于信息交互内容的主题演化分析199 5.5基于交互内容的用户贡献度分析207 5.6基于交互内容的用户行为模式分析214 5.7本章总结219 第6章 基于信息交互的社会情感支持识别及用户类型探测222 6.1在线社交平台社会及情感支持222 6.2本章研究方法229 6.3在线健康社区社会情感支持分布235 6.4基于用户类型的用户行为模式分析243 6.5本章总结254 第7章 基于用户角色和主题识别的用户行为探测256 7.1本章研究方法256 7.2用户行为模式分析265 7.3本章总结273 第8章 后记276 8.1在线健康社区分析框架构建276 8.2基于特征的角色识别及用户行为模式探测277 8.3基于信息交互的意见领袖识别及群组探测278 8.4基于信息交互内容的主题识别及演化探测278 8.5基于信息交互的社会情感支持识别及用户类型探测279 內容試閱： 第2章 在线健康社区分析框架 随着互联网在大众生活中的日益普及和以Web 2．0为基础的互联网社会化媒体的快速发展，人们获取健康信息的方式从传统面对面的医患交流，到单向被动地接受来自健康主题网站的信息，再到主动在新兴的社会化媒体平台上获取、分享传播健康信息。此外，得益于平等开放的互联网环境和极其丰富的互联网资源，对健康愈发重视的人们能够借助一个自由参与的信息交流平台来传递和分享各类疾病医疗信息和日常健康管理信息。皮尤研究中心的一份报告显示有80％的网络用户会在互联网上搜寻与健康主题相关的信息，其中34％的用户会浏览其他人发表在网上论坛和博客等媒体上的与健康和医疗相关的评价和个人经历，24％的用户会在线咨询某些药物和医疗诊断等信息。网络健康社区应运而生。在网络健康社区中，信息的传播依靠用户间的广泛交流和互动，人们对于病症的诊断、慢性疾病的日常管理等健康信息需求和因疾病产生的情感需求都将得到不同程度上的满足。尤其是对慢性疾病患者而言，在线健康社区中各类用户互助式的交流模式有助于其进行日常疾病控制。 在线健康社区可被视为一个复杂系统，包含信息、用户和社区三个要素，三者之间相互影响、相互依存。其中，信息是用户参与交互行为和社区运行情况的记录，反映了用户的需求、认知、情感、态度以及用户间的社会支持，而且各类健康信息的积累和聚合，支持着社区信息服务和知识发现；用户是在线健康社区的参与者、贡献者和管理者，包括各类健康信息消费者（例如一般公众、病患及其看护者、医生、护理人员、医疗健康服务机构等），用户产生、传播、获取、评价和使用健康信息；社区是用户线上活动的场所和用户间的信息交流空间，为用户行为活动、信息产生和传播提供基础设施、文化环境和制度机制。基于以上分析，本书将从信息、用户和社区三个维度构建在线健康社区研究的基本框架，并对相关研究的热点主题、研究现状、研究方法和发展动态进行系统梳理和详尽描述。 2.1信息维度的在线健康社区分析 2.1.1信息内容 信息是各类用户参与线上交互和平台运营情况的直观记录，既反映用户的需求、认知、情感、态度以及用户之间的社会支持，又是各类健康资源的积累与聚合，支持着在线健康社区的信息服务和知识发现。在线健康社区积累了海量的健康信息记录，研究者基于这些信息对医疗实体命名规范、健康社区主题检测识别等展开研究。 2.1.1.1研究内容 在线医疗健康社区有大量的问答、评论等记录，这些记录一方面包括了大量医疗知识，具备专业复杂性，同时也具备非结构化、数据体量较大、规范性交叉等在线社区文本的普遍特点。在信息内容层面展开的研究主要有2类： 一是对在线问诊/回答文本的命名规范、实体抽取等文本规范化抽取方面展开研究；二是基于现有信息，对社区记录表现出的情感、主题、话题等展开相关研究。 （1）在线健康社区实体命名规范研究。实体是文本的基本信息元素，是构成文本的基础。命名实体识别 （Named Entity Recognition， NER） 是自然语言处理的一项基本任务，主要是从一段文本中找出实体，并对实体出现的位置和类别进行标记。在线问诊文本中非规范化表述严重制约了在线问诊文本信息抽取的性能。作为结构化医疗文本的重要技术，医疗实体识别和事件抽取可以识别并抽取电子病历中的实体及事件，为进一步构建医疗知识图谱和支持医疗智能化决策打下了基础。杨杭州等结合中文一体化医学语言系统和网络拓展词典构建的医疗领域词典，并使用基于语义规则的方法提出一种基于隐含狄利克雷分布（Latent Dirichlet Allocation， LDA）和条件随机场（Conditional Random Field，以下简称CRF）的混合模型识别在线医疗命名实体；苏娅等针对常见的5类疾病： 胃炎、肺癌、哮喘、高血压和糖尿病，采用机器学习模型条件随机场构建医疗实体识别模型；杨文明和王巧玲等则使用深度学习模型对在线问诊中产生的医疗文本进行命名实体识别的研究；邢布飞和颜志军在构建医学实体的基础上提出一种基于医学领域实体和LDA主题模型相结合的方法，来挖掘相似的医疗问答信息。知识图谱（Knowledge Graph）作为一种知识表示的方式，本质上是一种语义网络技术。在医疗方面，应用知识图谱的研究多集中在电子病历，最近也运用在医疗社区问答文本的研究。廖开际等在综合利用双向长短记忆神经网络（BiLSTM）、CRF、双向门控循环单元（BiGRU）等深度学习模型对社区文本的实体识别及关系抽取方法进行研究的基础上，最后利用Neo4j图形数据库构建了一个可视化的知识图谱；黄琼影和廖开际选取“寻医问药网”中的乳腺癌版块作为研究对象，综合利用双向长短记忆神经网络、CRF、双向门控循环单元和注意力机制（Attention）深度学习模型，成功构建了在线医疗社区乳腺癌知识图谱。 （2）在线健康社区主题识别研究。识别、归纳、分析健康社区中的健康主题，分析主题表现出的用户健康信息需求，能够促进互助式交流模式的有效运转，从而更好地满足不同健康主题信息需求。因此，许多研究围绕在线健康社区主题识别展开。库尔森在针对与酒精相关的论坛中的758条消息进行了主题分析后，得到了3个主题： 分享、支持和清醒；谢甜等发现，运动健身、饮食健康等养生类信息最受大学生关注；王亿本分析了新浪原创健康微博文本，发现在健康信息中，保健信息的比例高达69％，其中最受关注的是饮食健康、起居健康等；刘鑫探索利用智能化的方法，对社区成员普遍关注的热点主题和情感进行深入研究；金碧漪等以与糖尿病相关的来自健康论坛的社会化标签和社会化问答社区的问答记录作为研究对象，比较了两种网络社区中的主题分布；韩纲等对推特在16天内与癌症相关的话题进行语义分析并进行可视化呈现。除对话题的检测和识别外，有些研究者还进一步延伸至对话题的动态监测，如郭凤仪等对社区用户话题的突发强度与情感表达之间的关系进行实证分析；尹德虎等以“甜蜜家园”为例，利用LDA模型对首发帖的内容进行主题识别和主题词提取，并在此基础上探究不同话题的用户关注度随时间的动态演化情况；刘文强等基于疾病话题强度演化分析的角度，对医患问答文本中的热点疾病话题的识别与演化方法开展深入研究。 2.1.1.2研究方法 目前对医疗实体命名规范研究主要采用3类方法： 传统基于规则和词典的方法、基于机器学习的方法和基于神经网络的方法。早期的医疗实体识别多采用基于规则和词典的方法，通过字符串的匹配实现命名实体的识别，但是对词典有较大的依赖性，且需要耗费大量的时间来编辑规则。代表性方法有MedLEE、MedKAT和cTAKES等系统。还有部分学者采用基于规则和词典的方法进行医疗实体识别。尽管基于词典的方法在医疗实体识别任务中有较高的准确率，但其效果受到词典本身的覆盖面、更新速度的限制。因此，很多研究将基于词典的方法与机器学习的方法相结合，从而提高实体识别的效果。 基于机器学习的方法大体上可以分为基于分类的方法和基于序列标注的方法。较为常用的分类方法包括支持向量机（support vector machine，以下简称SVM）、最大熵模型（maximum entropy model，以下简称ME）等。SVM效率高、应用广，因此在命名实体识别及相关任务中也得到广泛应用。序列标注方法在命名实体识别的任务中被广泛应用，包括隐马尔可夫模型（hidden Markov model，以下简称HMM）、最大熵马尔可夫模型（maximum entropy Markov model，以下简称MEMM）以及CRF。雷（Lei）等探究了不同类型的特征（包括分词、词性、分区信息等）和不同的机器学习的方法（包括CRF、SVM、ME和SSVM）进行中文医疗命名实体识别，并比较不同特征和方法的效果。由于神经网络能够很好地提取特征，因此被广泛应用于命名实体识别任务中。杨文明和王巧玲等则使用深度学习模型对在线问诊中产生的医疗文本进行命名实体识别的研究。 将传统机器学习和深度学习等多种模型结合能够提高系统性能，因此也成为一个重要的研究方向。哈比比（Habibi）等结合深度学习和统计词嵌入方法，进行生物医学实体识别，F1值比经典模型高出5％。徐（Xu）等提出了一种基于双向长短时记忆和条件随机场（Bi-LSTM-CRF）的医学命名实体识别模型，实验证明该方法优于传统的单一模型。 目前对在线健康社区主题和话题的分析主要有3种研究方法： 基于主题模型的方法、基于文本聚类的方法和基于关键词统计的方法。主题模型又称概率主题模型，是近年来在数据挖掘和自然语言处理领域广泛用于文档建模的一类统计模型。如以LDA为代表的主题模型研究就得到了迅速发展，LDA 模型是一种文本分析的概率统计模型，包含“文档—主题—词”三层结构，因此也称为三层贝叶斯概率模型。其核心思想是利用概率统计对文档进行建模，挖掘文档内部的语义信息，以主题多项式概率分布的形式展现。国内外有许多研究者使用主题模型展开研究，并取得了丰富的研究成果；基于文本聚类的方法也是主题识别和分析中常用的方法。目前，国内外研究者在基于文本聚类技术的主题识别方法上都做了很多有益的尝试，提出了不同的算法。主要包括基于划分的KMeans算法、基于密度的DBSCAN算法以及基于高斯混合模型的EM算法等。基于关键词统计的方法首先提取关键词，然后进行统计，从而用关键词表征主题。国内外研究者也在这个方面取得了非常多的成果。

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	香港用户　 |　台灣用户　|　海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.