今天研读的这篇范文，尝试推动在线健康社区相关推荐机制的优化以及对用户依据具体病情进行精准知识搜索。从在线健康社区的用户评论中提取关键词作为模型概念节点;基于关键词共现相似度绝对值反映各概念节点间权重;通过文献调研和专家协作,确定模型节点间的语义关系,从而构建基于在线健康社区的模糊认知图;最后根据模糊认知图的分析预测功能,利用其推理过程中各个时刻各节点间状态值的数值变化幅度,进行相关疾病知识的推荐。 搞研究写论文需要的互联网数据使用什么工具来收集？ 对于大多数搞研究写论文的同学来说，需要一款使用简单，不需要额外学习，根据简单的指引就可以启动采集获取各种数据的工具。Gooseeker微博数据采集工具箱和GooSeeker快捷采集就符合这样的要求。 以收集微博数据为例，GooSeeker微博数据采集工具箱很适合同学们搞研究写论文收集微博数据，大量文科同学在通过它收集研究需要的微博博文，微博关键词搜索，微博评论和转发，微博博主详情，微博话题内容，微博粉丝和关注者等数据。我们观察到使用这个工具收集微博数据进行研究的同学数量一直维持在高位，刚刚过去的这个周末，就有不少同学在技术交流群和社区论坛上和我们交流微博工具箱的使用心得。
1，范例简介 标题：基于社交关系和用户偏好的多样性图推荐方法 作者：李贺1刘嘉宇1沈旺1刘锐2金帅岐1 作者单位： 1. 吉林大学管理学院 2. 吉林大学中日联谊医院 来源： 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. (Li He, Liu Jiayu, Shen Wang, et al. Recommending Knowledge for Online Health Community Users Based on Fuzzy Cognitive Map[J]. Data Analysis and Knowledge Discovery, 2020, 4(12):55-67.) 发表时间：2020-04 关键词：模糊认知图;知识推荐;在线健康社区;在线评论; 基金资助： 国家自然科学基金项目“基于图模型的多源异构在线产品评论数据融合与知识发现研究”（项目编号：71974075）的研究成果之一； 摘要： 【目的】构建在线健康社区模糊认知图模型,依据其推理机制实现由患者疾病病情进行情景驱动的在线健康社区疾病相关知识推荐。 【方法】从在线健康社区的用户评论中提取关键词作为模型概念节点;基于关键词共现相似度绝对值反映各概念节点间权重;通过文献调研和专家协作,确定模型节点间的语义关系,从而构建基于在线健康社区的模糊认知图;最后根据模糊认知图的分析预测功能,利用其推理过程中各个时刻各节点间状态值的数值变化幅度,进行相关疾病知识的推荐。 【结果】与标签关联关系推荐算法和基于超图随机游走标签扩充的微博推荐方法进行对比,结果表明:本文所提在线健康社区模糊认知图推荐模型的准确率、召回率和F值分别达到0.286、0.667和0.400。 【局限】实证分析中选取的用户评论数据规模有限,对模型推荐结果的精度可能有一定影响。 【结论】本研究为推动在线健康社区相关推荐机制的优化以及对用户依据具体病情进行精准知识搜索具有积极意义。 文章目录 1 引言 1.1 研究背景 1.2 相关研究 2 模糊认知图概述 2.1 FCM的定义 2.2 FCM的推理机制 3 在线健康社区FCM模型的构建与推荐实现 3.1 在线健康社区FCM关联规则挖掘与构建 3.2 在线健康社区FCM推理过程 3.3 融合社区用户疾病情景驱动的在线健康社区FCM推荐机制 4 实证研究 4.1 实证研究数据 4.2 糖尿病FCM的关联规则运用 4.3 糖尿病FCM的建立 4.4 糖尿病FCM的推理与推荐结果分析 5 推荐系统评价 5.1 相关推荐算法概述 5.2 评价方法 5.3 评价结果分析 6 结语 作者贡献声明： 利益冲突声明： 支撑数据： 2，本范例主要研究方法和相关知识点 2.1 文中提到的模糊认知图是什么？ 参考《【机器学习】模糊认知图（Fuzzy Cognitive Map, FCM）概念介绍》的说明，笔者做如下笔记： 模糊认知图（Fuzzy Cognitive Map, FCM）是一种软计算的方法，是由模糊逻辑和神经网络相结合的产物。FCM与神经网络、图论等领域都有密切联系，正因为其强大的直观表达能力以及推理能力，使得其在各个领域都有应用，也成为了人工智能领域的一个研究方向。 从神经网络的角度来看，可以把它看做是一个单层神经网络，因此很多基于神经网络的研究都可以进行借鉴；从图的角度来看，它是一种有向加权图，因此我们也可以借助一些图论方面的知识对其进行研究。另一方面，FCM允许反馈机制的存在，这样也就为复杂系统建模提供了可能。 模糊认知图的基本概念 FCM描述了系统概念集和概念间的因果关系，它的具体定义如下：
2.2 本范文作者的主要研究步骤 1. 数据采集与清洗。研究的数据来自于丁香园论坛中关于“糖尿病”主题帖下的用户评论。 2. 节点及关联规则挖掘 3. FCM构建与推理 4. 知识推荐
3，本范文研究总结 与一般信息推荐相比，在线健康社区知识推荐在信息源、推荐对象、推荐结果与机制上有自身的独特性，为此本文提出一种融合社区用户患者疾病的病情情景驱动FCM推理机制的知识推荐系统，为在线健康社区知识推荐研究提供了新思路。但该机制还存在进一步完善之处。 （1）FCM 模型的概念节点间关系是通过关键词共现相似度来确定的。在提取关键词时，分别对用户的每一个评论文本进行关键词提取，因此在计算共现时一些词语在医学领域并不存在关联却在共现矩阵中存在共现频次值，从而影响了关联权重的确定，造成推荐结果的精确性较低等问题。 （2）仅以丁香园在线论坛中关于“糖尿病”主题帖下的用户评论作为语料库构建糖尿病 FCM模型。采集的样本数据量较少，提取出的概念节点不足以全面反映糖尿病领域的全部相关疾病，在后续工作中需寻找合适的数据源，扩大数据集，完善模型的关联规则，提升模型推荐的准确性。 （3）在模型建立以及推荐结果准确性方面依赖领域专家协作，限制了该方法的拓展应用 |
