[논문 리뷰] Sentiment-Aware Recommendation System for Healthcare using Social Media

Alan Aipe, Mukuntha Narayanan Sundararaman외 1명|arXiv (Cornell University)|2019. 09. 18.

Sentiment Analysis and Opinion Mining인용 수 5

한 줄 요약

이 논문은 소셜 미디어를 활용하여 의료 감성 인식 기반 추천 시스템을 제안하며, 의료 감성 분류를 위해 스택형 CNN-LSTM-CNN 모델을 사용하고, 관련 포럼 게시물을 검색하기 위해 새로운 유사도 메트릭을 도입한다. 또한 감성과 의료 개념 추출을 통합한 확률적 치료 제안 프레임워크를 제안하여 유사도 검색 성능을 향상시키고, 강력한 정성적 검증을 통한 감성 인식 기반의 견고한 제안 파이프라인을 구현한다.

ABSTRACT

Over the last decade, health communities (known as forums) have evolved into platforms where more and more users share their medical experiences, thereby seeking guidance and interacting with people of the community. The shared content, though informal and unstructured in nature, contains valuable medical and/or health-related information and can be leveraged to produce structured suggestions to the common people. In this paper, at first we propose a stacked deep learning model for sentiment analysis from the medical forum data. The stacked model comprises of Convolutional Neural Network (CNN) followed by a Long Short Term Memory (LSTM) and then by another CNN. For a blog classified with positive sentiment, we retrieve the top-n similar posts. Thereafter, we develop a probabilistic model for suggesting the suitable treatments or procedures for a particular disease or health condition. We believe that integration of medical sentiment and suggestion would be beneficial to the users for finding the relevant contents regarding medications and medical conditions, without having to manually stroll through a large amount of unstructured contents.

연구 동기 및 목표

• 비구조화된 건강 포럼 콘텐츠에서 관련 의료 정보와 치료 제안을 찾는 데 도움이 되는 환자 중심의 의료 시스템을 개발하기 위해.
• 비공식적이고 비구조화된 소셜 미디어 게시물에서 의미 있는 의료 감성과 치료 제안을 추출하는 데 도전하기 위해.
• 감성과 의료 맥락을 기반으로 유사한 게시물과 효과적인 치료법을 추천하여 사용자 경험을 향상시키기 위해.
• 유사한 건강 상태를 가진 환자들에게 정서적 지원과 정보 기반 의사결정을 지원할 수 있는 확장 가능한 감성 인식 기반 프레임워크를 구축하기 위해.

제안 방법

• 포럼 게시물 내 의료 감성 분류를 위해 컨볼루션 신경망(CNN), 장기 단기 기억망(LSTM), 그리고 다시 한 번 CNN을 조합한 스택형 딥러닝 아키텍처를 제안한다.
• 의료 개념 유사도(MISim)와 감성 유사도를 통합한 새로운 유사도 메트릭을 도입하여 상위-n개의 유사한 포럼 게시물을 검색한다.
• Apache cTAKES를 사용하여 UMLS 지식 기반을 활용해 게시물에서 의료 개념(예: 질병, 치료법)을 추출하고 정규화한다.
• 특정 질병 맥락에서 긍정적인 감성에 기반해 치료법이 효과가 있을 가능성을 계산하는 확률적 치료 제안 모델을 개발한다.
• 치료 제안 수를 제어하기 위해 하이퍼파rameter τ를 적용하여 응용 사례의 필요에 따라 조정이 가능하도록 한다.
• 감성과 의료 개념 겹침을 통합하여 관련 포럼 게시물을 순위 매기는 유사도 점수 함수(Eq. 5)를 적용한다.

실험 결과

연구 질문

• RQ1 포럼 게시물의 전체적인 의료 감성을 이해하기 위해 효율적인 다중 클래스 분류기를 개발할 수 있는가?
• RQ2 감성과 의료 콘텐츠 양측을 고려할 때, 두 개의 의료 포럼 게시물 간의 유사성을 효과적으로 모델링할 수 있는가?
• RQ3 포럼 게시물의 감성과 의료 개념 정보를 활용하여 효과적인 치료 제안 알고리즘을 제안할 수 있는가?

주요 결과

• 제안된 스택형 CNN-LSTM-CNN 모델은 긍정적 감성 게시물에서 피어슨 상관계수 0.3586을 기록하여 텍스트 유사도 기반 기준선 KNN(0.2104)을 초월했다.
• 제안된 유사도 메트릭의 Precision@5는 긍정적 감성 게시물에서 0.6638을 기록하여 KNN 기준선(0.5467)을 상회했다.
• 제안된 방법의 5단계에서의 정규화된 할인 누적 수익(nDCG)은 긍정적 감성에서 6.0106을 기록하여 기준선(2.1826)보다 유의미하게 높았다.
• 모든 감성 클래스에서 검색 성능 향상이 확인되었으며, KNN 기준선 대비 정밀도와 nDCG에서 일관된 개선이 이루어졌다.
• 치료 제안 모듈은 본질적으로 긍정적 감성 결과와 연관된 치료법만 제안하므로 관련성 확보와 노이즈 감소에 기여한다.
• 기준 데이터셋이 부족한 상황이지만, 제안 모델은 정확한 감성 및 개념 추출 파이프라인에 기반하여 성능이 보장된다.