基于Stacking集成学习的在线健康社区问答信息采纳识别研究 |
| |
引用本文: | 林 萍,吕健超.基于Stacking集成学习的在线健康社区问答信息采纳识别研究[J].情报科学,2023,41(2):135-142. |
| |
作者姓名: | 林 萍 吕健超 |
| |
作者单位: | 1. 南京邮电大学管理学院;2. 江苏高校哲学社会科学重点研究基地——信息产业融合创新与应急管理研究中心;3. 南京索酷信息科技股份有限公司江苏省研究生工作站 |
| |
基金项目: | 国家自然科学基金资助项目“层次网络结构DEA模型及其在医疗卫生系统绩效管理中的应用研究”(72171124);;江苏高校哲学社会科学研究重大项目“数字医疗时代在线健康社区问答信息采纳研究”(2022SJZD095);;江苏省学术学位研究生创新计划项目“老年人群健康信息采纳机制研究——基于社会认知与信息质量交互视角”(KYCX20_0837); |
| |
摘 要: | 【目的/意义】提出基于Stacking集成学习的问答信息采纳行为识别策略,促进在线健康社区问答的精准化推送、助推数字化医疗服务高质量发展。【方法/过程】构建以集成学习方法和非集成学习方法为基学习器、以逻辑回归算法(LR)为元学习器的Stacking集成学习模型,比较单预测模型、同类预测模型组合、不同类预测模型组合的Stacking集成学习模型预测精度,选取“寻医问药”平台的慢性病问答构建数据集验证模型的优越性,并选取“快速问医生有问必答120”平台数据验证模型的可移植性。【结果/结论】Stacking集成模型相比于单预测模型能够更精准识别被采纳问答信息,模型具有较强的泛化性,可以适用于不同的在线健康社区。【创新/局限】本文基于Stacking集成思想构建两阶段预测模型,并借助机器学习构建最佳预测模型组合,显著提高在线健康社区问答信息采纳识别精度,但伴随问答信息积累,在线健康社区问答模式不断发展变化,考虑结合历史数据和每日更新数据的动态预测方法是未来研究工作重点。
|
关 键 词: | 在线健康社区 Stacking集成策略 机器学习 信息采纳 信息识别 |
|
| 点击此处可从《情报科学》浏览原始摘要信息 |
| 点击此处可从《情报科学》下载免费的PDF全文 |