通过机器学习与自然语言处理理解 COVID-19 研究的时序演化
机器学习
2020-07-24 v1 数字图书馆
信息检索
摘要
由严重急性呼吸综合征冠状病毒 2（SARS-CoV-2）引起的 2019 新型冠状病毒病（COVID-19）的暴发持续以多种方式影响全球人类生活与社区，从城市封锁到新的社会体验。尽管在大多数情况下 COVID-19 导致轻症，但由于 SARS-CoV-2 极强的传染性，它已引起全球关注。政府及医疗专业人员，连同民众与整个社会，已采取一切措施打破传播链并 flatten 流行曲线。在本研究中，我们使用多个数据源（即 PubMed 与 ArXiv），并构建若干机器学习模型，通过在 2020 年 1 月至 5 月时间范围内识别潜在主题并分析提取出的研究主题、出版物相似度与情感的时序演化，来刻画当前 COVID-19 研究的格局。我们的发现证实 PubMed 与 ArXiv 中可用的研究类型存在显著差异，前者在 COVID-19 相关问题方面表现出更大的多样性，而后者更聚焦于预测/诊断 COVID-19 的智能系统/工具。研究界对高危人群与并发症患者的特别关注也得到了确认。
引用
@article{arxiv.2007.11604,
title = {Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing},
author = {Ashkan Ebadi and Pengcheng Xi and Stéphane Tremblay and Bruce Spencer and Raman Pall and Alexander Wong},
journal= {arXiv preprint arXiv:2007.11604},
year = {2020}
}