[论文解读] Sentiment-Aware Recommendation System for Healthcare using Social Media

Alan Aipe, Mukuntha Narayanan Sundararaman+1 more|arXiv (Cornell University)|Sep 18, 2019

Sentiment Analysis and Opinion Mining被引用 5

一句话总结

本文提出了一种基于社交媒体的医疗情感感知推荐系统，采用堆叠的CNN-LSTM-CNN模型进行医疗情感分类，并引入一种新颖的相似性度量方法以检索相关论坛帖子。此外，该研究还提出了一套概率性治疗建议框架，整合了情感分析与医疗概念抽取，展示了在相似性检索方面的改进效果，以及一条稳健且基于情感信息的建议流水线，获得了强有力的定性验证。

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.

研究动机与目标

• 开发一种患者辅助型医疗系统，帮助用户从非结构化的医疗论坛内容中找到相关医疗信息与治疗建议。
• 解决从非正式、非结构化的社交媒体帖子中提取有意义的医疗情感与治疗建议的挑战。
• 通过基于情感与医疗语境的推荐，提升用户体验，推荐相似帖子与有效治疗方案。
• 构建一个可扩展的情感感知框架，为具有相似健康状况的患者提供情感支持与知情决策支持。

提出的方法

• 提出一种堆叠的深度学习架构，结合卷积神经网络（CNN）、长短期记忆网络（LSTM）与另一层CNN，用于论坛帖子中的医疗情感分类。
• 提出一种新颖的相似性度量方法，结合医疗概念相似性（MISim）与情感相似性，以检索前n个相似的论坛帖子。
• 利用UMLS知识库，通过Apache cTAKES工具提取并规范化帖子中的医疗概念（如疾病、治疗方式）。
• 开发一种概率性治疗建议模型，基于特定疾病背景下正面情感的出现频率，计算治疗方案有效的可能性。
• 使用超参数τ控制建议治疗方案的数量，可根据应用需求进行调优。
• 应用相似性评分函数（公式5），整合情感与医疗概念重叠程度，以对相关论坛帖子进行排序。

实验结果

研究问题

• RQ1 能否开发出一种高效的多分类分类器，以理解论坛帖子中的整体医疗情感？
• RQ2 如何有效建模两个医疗论坛帖子之间的相似性，同时考虑情感与医疗内容？
• RQ3 能否提出一种有效算法，通过利用论坛帖子中的情感与医疗概念信息，实现治疗建议？

主要发现

• 所提出的堆叠CNN-LSTM-CNN模型在正面情感帖子上的皮尔逊相关系数达到0.3586，优于基于文本相似度的基线KNN方法（0.2104）。
• 对于正面情感帖子，所提相似性度量方法的Precision@5为0.6638，高于基线KNN方法的0.5467。
• 所提方法在正面情感情况下的nDCG@5为6.0106，显著高于基线方法（2.1826）。
• 该系统在所有情感类别中均表现出更优的检索性能，且在精度与nDCG方面相对于KNN基线持续提升。
• 治疗建议模块本质上仅建议与正面情感结果相关的治疗方案，从而确保建议的相关性并减少噪声。
• 尽管缺乏基准数据集，但建议模型建立在稳健的情感分类流程之上，其性能依赖于准确的情感与概念抽取。