基于时序图卷积神经网络的在线健康社区高质量答案甄别研究

doi:10.3772/j.issn.1000-0135.2025.05.005

情报学报

2025, Vol. 44

Issue (5): 562-576 DOI: 10.3772/j.issn.1000-0135.2025.05.005

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

基于时序图卷积神经网络的在线健康社区高质量答案甄别研究

孙文晶¹, 马捷^1,2, 郝志远³

1.吉林大学商学与管理学院，长春 130012
2.吉林大学信息资源研究中心，长春 130012
3.南京财经大学公共管理学院，南京 210023

High-Quality Answer Identification in Online Health Communities Based on a Time-Series Graph Convolutional Neural Network

Sun Wenjing¹, Ma Jie^1,2, Hao Zhiyuan³

1.School of Business and Management, Jilin University, Changchun 130012
2.Information Resource Research Center, Jilin University, Changchun 130012
3.School of Public Administration, Nanjing University of Finance & Economics, Nanjing 210023

摘要
图/表
参考文献
相关文章 (3)

全文: PDF (3162 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要在线健康平台中的问诊模块是“互联网+医疗”模式下用户进行健康咨询、获取健康信息的重要渠道，准确甄别高质量答案内容对于用户的健康决策行为具有重要指导意义。本文以“好大夫在线”平台中的问诊文本作为研究对象，提出一种基于时序图卷积神经网络的在线健康社区高质量答案甄别模型。该模型在双系统理论与图论思想的基础上，一方面，设计用于衡量答案质量的特征体系，并依此完成实验数据集的创建过程；另一方面，利用图卷积神经网络模型GraphSAGE（graph sample and aggregate）对质量衡量特征体系里的细化指标完成融合，在GraphSAGE中嵌入门控循环单元（gated recurrent unit，GRU），并同步构建“医生-问题”网络图作为模型输入，最终形成GraphSAGE-GRU模型完成答案质量的预测以及高质量答案的甄别过程。本文选取SVM（support vector machine）、DT（decision tree）、kNN（k-nearest neighbor）、CNN（convolutional neural network）、GRU和GCN（graph convolutional network）作为基线方法进行对照实验，实验结果表明，本文提出模型的准确性更高，准确率可达93.2%；在甄别高质量答案方面同样表现最优，能够在实验样本中甄别出近95%的高质量答案样本。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙文晶
	马捷
	郝志远

关键词 ：在线健康社区, 质量预测, 双系统理论, GraphSAGE-GRU, 高质量答案甄别

收稿日期: 2024-09-01

基金资助:国家自然科学基金青年科学基金项目“可解释人工智能驱动下知识增强的应急辩证决策研究”（72404119）；吉林大学“中国式现代化道路”与“人类文明新形态”哲学社会科学研究创新团队项目“推进人类数字生态文明：数字化转型视域下的数据价值与数据创新”（2022CXTD20）。

作者简介: 孙文晶，女，1996年生，博士研究生，主要研究方向为知识组织与机器学习；马捷，通信作者，女，1973年生，教授，博士生导师，主要研究方向为信息生态与智慧服务，E-mail：m-1j-1@163.com；郝志远，男，1995年生，博士，讲师，主要研究方向为机器学习与大数据管理；

引用本文:

孙文晶, 马捷, 郝志远. 基于时序图卷积神经网络的在线健康社区高质量答案甄别研究[J]. 情报学报, 2025, 44(5): 562-576.
Sun Wenjing, Ma Jie, Hao Zhiyuan. High-Quality Answer Identification in Online Health Communities Based on a Time-Series Graph Convolutional Neural Network. 情报学报, 2025, 44(5): 562-576.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.05.005 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I5/562

1 中国互联网络信息中心. 第53次《中国互联网络发展状况统计报告》[R/OL]. (2024-03-22) [2024-08-05]. https://www.cnnic.net.cn/n4/2024/0322/c88-10964.html.
2 周欢, 刘嘉, 张培颖, 等. 复杂网络视角下在线健康社区评论有用性研究[J]. 情报科学, 2022, 40(9): 88-97.
3 冯翠翠, 易明, 莫富传. 基于指数随机图模型的在线健康社区多元主体交互影响机制研究[J]. 图书情报工作, 2024, 68(7): 88-101.
4 朱洪涛, 柯青, 李欣颖. 在线健康社区用户健康信息态度的形成机理研究[J]. 现代情报, 2024, 44(3): 59-69.
5 盛姝, 黄奇, 郑姝雅, 等. 在线健康社区中用户画像及主题特征分布下信息需求研究——以医享网结直肠癌圈数据为例[J]. 情报学报, 2021, 40(3): 308-320.
6 王火秀. 基于集成学习的在线问答社区健康信息质量评价研究[D]. 福州: 福州大学, 2021.
7 杨瑞仙, 黄书瑞, 王元锋. 基于三阶段DEA模型的在线健康社区知识交流效率评价研究[J]. 情报理论与实践, 2020, 43(10): 122-129.
8 吕健超. 基于集成学习的在线社区健康信息采纳预测研究[D]. 南京: 南京邮电大学, 2022.
9 谌文佳, 杨琳, 李金林. 嵌入意图识别的医疗健康问答文本语义分类模型[J]. 数据分析与知识发现, 2025, 9(2): 26-38.
10 郑承宇, 王新, 王婷, 等. 基于ALBERT-TextCNN模型的多标签医疗文本分类方法[J]. 山东大学学报(理学版), 2022, 57(4): 21-29.
11 Wang S, Luo Y, Liu X M. Early identification of high attention content for online mental health community users based on?multi-level fusion model[J]. Data Technologies and Applications, 2024, 58(5): 838-857.
12 李贺, 刘嘉宇, 沈旺, 等. 基于模糊认知图的在线健康社区知识推荐研究[J]. 数据分析与知识发现, 2020, 4(12): 55-67.
13 韩普, 叶东宇. 基于语义增强的在线健康社区情感分析研究[J]. 科技情报研究, 2024, 6(2): 88-99.
14 Qiu Y, Ding S, Tian D, et al. Predicting the quality of answers with less bias in online health question answering communities[J]. Information Processing & Management, 2022, 59(6): 103112.
15 Hu Z, Zhang Z, Yang H Q, et al. A deep learning approach for predicting the quality of online health expert question-answering services[J]. Journal of Biomedical Informatics, 2017, 71: 241-253.
16 Lin C Y, Wu Y H, Chen A L P. Selecting the most helpful answers in online health question answering communities[J]. Journal of Intelligent Information Systems, 2021, 57(2): 271-293.
17 唐雪梅, 苏祺, 王军, 等. 基于图卷积神经网络的古汉语分词研究[J]. 情报学报, 2023, 42(6): 740-750.
18 连芷萱, 王芳, 康佳, 等. 基于图神经网络和粒子群算法的技术预测模型[J]. 情报学报, 2023, 42(4): 420-435.
19 Apicella A, Isgrò F, Pollastro A, et al. Adaptive filters in graph convolutional neural networks[J]. Pattern Recognition, 2023, 144: 109867.
20 Pasa L, Navarin N, Sperduti A. Polynomial-based graph convolutional neural networks for graph classification[J]. Machine Learning, 2022, 111(4): 1205-1237.
21 Bai L, Jiao Y H, Cui L X, et al. Learning graph convolutional networks based on quantum vertex information propagation[J]. IEEE Transactions on Knowledge and Data Engineering, 2023, 35(2): 1747-1760.
22 张岚泽, 赵晓亮, 刘津彤, 等. 基于空间-邻域自适应的图卷积神经网络信贷欺诈检测模型[J]. 数据分析与知识发现, 2024, 8(4): 137-151.
23 李雪梅, 蒋建洪. 基于改进图卷积神经网络的评论有用性识别[J]. 数据分析与知识发现, 2022, 6(11): 38-51.
24 余本功, 季晓晗. 基于ADGCN-MFM的多模态讽刺检测研究[J]. 数据分析与知识发现, 2023, 7(10): 85-94.
25 Zhang X K, Xu C, Tian X M, et al. Graph edge convolutional neural networks for skeleton-based action recognition[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(8): 3047-3060.
26 Mai W M, Chen J X, Chen X. Time-evolving graph convolutional recurrent network for traffic prediction[J]. Applied Sciences, 2022, 12(6): 2842.
27 董庆兴, 周欣, 毛凤华, 等. 在线健康社区用户持续使用意愿研究——基于感知价值理论[J]. 现代情报, 2019, 39(3): 3-14, 156.
28 Cheng Q, Lin Y R. Multilevel classification of users' needs in Chinese online medical and health communities: model development and evaluation based on graph convolutional network[J]. JMIR Formative Research, 2023, 7: e42297.
29 陈卓, 朱淼, 杜军威, 等. 基于记忆的注意力图神经网络专家推荐方法[J]. 湖南大学学报(自然科学版), 2022, 49(6): 116-123.
30 史伟志. 基于图卷积神经网络的社区问答专家发现方法研究[D]. 南京: 南京邮电大学, 2022.
31 刘臣, 李秋, 郝宇辰. 基于图卷积神经网络的在线社区行为预测[J]. 计算机技术与发展, 2021, 31(4): 28-33, 124.
32 Li J N, Zhu Q S, Wu Q W, et al. SMOTE-NaN-DE: addressing the noisy and borderline examples problem in imbalanced classification by natural neighbors and differential evolution[J]. Knowledge-Based Systems, 2021, 223: 107056.
33 Dixit A, Mani A. Sampling technique for noisy and borderline examples problem in imbalanced classification[J]. Applied Soft Computing, 2023, 142: 110361.
34 James W. The principles of psychology[M]. Vol.1. New York: Dover Publications, 2004.
35 Evans J S , Stanovich K E. Dual-process theories of higher cognition: advancing the debate[J]. Perspectives on Psychological Science, 2013, 8(3): 223-241.
36 Osatuyi B, Turel O. Tug of war between social self-regulation and habit: explaining the experience of momentary social media addiction symptoms[J]. Computers in Human Behavior, 2018, 85: 95-105.
37 贾明霞, 赵宇翔, 朱庆华, 等. 双系统理论视角下用户数字囤积行为的形成机理与演化路径研究[J]. 情报学报, 2024, 43(3): 339-356.
38 姜雯, 许鑫, 武高峰. 附加情感特征的在线问答社区信息质量自动化评价[J]. 图书情报工作, 2015, 59(4): 100-105.
39 向菲, 杨炀. 在线健康社区患者择医行为影响因素研究——在线信任的中介效应[J]. 医学信息学杂志, 2023, 44(12): 1-7.
40 郭顺利, 张向先, 陶兴, 等. 社会化问答社区用户生成答案质量自动化评价研究——以“知乎”为例[J]. 图书情报工作, 2019, 63(11): 118-130.
41 严炜炜, 黄为, 温馨. 学术社交网络问答质量智能评价与服务优化研究[J]. 图书情报工作, 2021, 65(6): 129-137.
42 喻晓伟. 基于图神经网络的加密恶意流量检测研究[D]. 南京: 南京邮电大学, 2023.
43 吴冰, 彭彧. 在线健康社区中基于用户属性的时序交互模式研究[J]. 知识管理论坛, 2019, 4(3): 163-172.
44 殷豪, 李奕甸, 谢智锋, 等. 混合图神经网络和门控循环网络的短期光伏功率预测[J]. 太阳能学报, 2024, 45(3): 523-532.
45 Prabha M S, Sarojini B. Online healthcare information adoption assessment using text mining techniques[J]. Mobile Networks and Applications, 2019, 24(4): 1160-1165.
46 Cai Y, Yang Y Y, Shi W D. A predictive model of the knowledge-sharing intentions of social Q&A community members: a regression tree approach[J]. International Journal of Human-Computer Interaction, 2022, 38(4): 324-338.
47 Yan Y J, Yu G, Yan X B. Online doctor recommendation with convolutional neural network and sparse inputs[J]. Computational Intelligence and Neuroscience, 2020, 2020(1): 8826557.
48 Zhang Y L, Li X M, Zhang Z. Disease-pertinent knowledge extraction in online health communities using GRU based on a double attention mechanism[J]. IEEE Access, 2020, 8: 95947-95955.
49 孙振龙. 面向支持向量机分类的差分隐私保护方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2022.
50 Deng Z Y, Zhu X S, Cheng D B, et al. Efficient kNN classification algorithm for big data[J]. Neurocomputing, 2016, 195: 143-148.
51 李爱华, 刘婉昕, 陈思帆, 等. 面向不平衡数据的SMOTE-BO-XGBoost集成信用评分模型研究[J/OL]. 中国管理科学, (2024-10-11) [2024-11-22]. https://doi.org/10.16381/j.cnki.issn1003-207x. 2023.0635.
52 张智驹. 基于密度峰值聚类的不平衡数据过抽样方法[J]. 统计与决策, 2024, 40(8): 11-16.
53 王乐, 韩萌, 李小娟, 等. 不平衡数据集分类方法综述[J]. 计算机工程与应用, 2021, 57(22): 42-52.
54 刘嘉宇, 李贺, 谷莹, 等. 不平衡数据集上在线评论有用性识别研究[J]. 情报理论与实践, 2023, 46(11): 119-125, 153.
55 李颖, 吴增源, 陈亮. 基于SMOTE-LOF-AdaBoost模型的核心专利识别研究[J]. 科技管理研究, 2023, 43(21): 171-177.