一种预测在线健康专家问答服务质量的深度学习方法
信息检索
2016-12-22 v1 计算与语言
摘要
目前，越来越多的健康消费者随时随地在线提出健康相关问题，这有效降低了医疗保健成本。最常见的方法是使用在线健康专家问答 (HQA) 服务，因为健康消费者更愿意信任专业医生的回答。然而，这些回答的质量可能因情况而异。此外，随着可用的 HQA 服务增多，如何通过机器学习预测 HQA 服务的回答质量变得日益重要且具有挑战性。在 HQA 服务中，回答通常是短文本，受到数据稀疏问题的严重影响。此外，HQA 服务缺乏最佳回答和用户投票等社区特征，因此无法利用群体智慧来评定回答质量。为解决这些问题，本文将 HQA 回答质量预测定义为一个分类任务。首先，基于 HQA 服务的特征和医学专家的反馈，定义了 HQA 服务回答质量评估标准。其次，基于 HQA 服务的特征，提出了几种新颖的非文本特征，包括表面语言特征和社会特征。最后，提出了一种基于深度信念网络 (DBN) 的 HQA 回答质量预测框架，通过学习医生回答的高层隐藏语义表示来预测回答质量。我们的结果证明，所提出的框架克服了短文本回答中文本特征过于稀疏的问题，并能有效识别高质量回答。
引用
@article{arxiv.1612.07040,
title = {A deep learning approach for predicting the quality of online health expert question-answering services},
author = {Ze Hu and Zhan Zhang and Qing Chen and Haiqin Yang and Decheng Zuo},
journal= {arXiv preprint arXiv:1612.07040},
year = {2016}
}
备注
Submitted to Journal of Biomedical Informatics journal on Dec 10, 2016