網(wǎng)絡(luò)論壇中中醫(yī)藥信息的聚類分析研究

田 野 賈李蓉 李園白 劉 靜 劉麗紅 李敬華 于 彤 楊 策 張竹綠

(中國中醫(yī)科學(xué)院中醫(yī)藥信息研究所，北京市東城區(qū)東直門內(nèi)南小街16號，100700)

1 研究背景

近年來，隨著INTERNET網(wǎng)絡(luò)在國內(nèi)的普及以及互聯(lián)網(wǎng)用戶的大量增加，以文本信息為載體的網(wǎng)絡(luò)論壇已經(jīng)成為人們獲取信息［1］，發(fā)表個人看法或評論，與其他人進行交流的重要平臺［2－3］。每天在線論壇中皆會涌現(xiàn)大量主題信息，這些信息的特點往往是數(shù)量巨大，難于持久，也就是說發(fā)表過的主題隔一段時間就會被后來出現(xiàn)的主題所替代，最終淹沒在諸多主題信息中。這些信息雖然數(shù)量龐大，但往往內(nèi)容雜亂，即使有一些信息是有效的，也很容易被淹沒摻雜在無效垃圾信息之中。

從這些海量的、有噪聲的數(shù)據(jù)中提取挖掘出隱含其內(nèi)、但又有用的信息知識是我們要嘗試進行探討的問題。數(shù)據(jù)挖掘是一門新近的熱門研究方法，它是從大型數(shù)據(jù)集中發(fā)現(xiàn)可行信息的過程，數(shù)據(jù)挖掘使用數(shù)學(xué)分析來派生存在于數(shù)據(jù)中的模式和趨勢。通常，由于這些模式的關(guān)系過于復(fù)雜或涉及數(shù)據(jù)過多，因此使用傳統(tǒng)數(shù)據(jù)瀏覽無法發(fā)現(xiàn)這些模式。它主要探討如何在海量的、有噪聲的、模糊的數(shù)據(jù)資料中，挖掘出潛在的有用信息，從而為相關(guān)決策人員提供數(shù)據(jù)參考。

2 研究方法

2.1 選擇數(shù)據(jù) 數(shù)據(jù)的選擇是根據(jù)需求設(shè)定數(shù)據(jù)抽取目標。對本文而言，數(shù)據(jù)的抽取目標就是當前熱點中醫(yī)藥網(wǎng)站論壇中的詞條。隨著網(wǎng)絡(luò)的極速發(fā)展，疾病、健康、養(yǎng)生，已不僅是醫(yī)生才關(guān)心的問題，越來越多的普通大眾開始予以關(guān)注。在絕大多數(shù)醫(yī)藥網(wǎng)站中都專門辟有溝通平臺——網(wǎng)絡(luò)論壇。各種角色的人們活躍在論壇上各抒己見。我們試對這些論壇上的詞條進行抽取來作為數(shù)據(jù)的選擇。需要注意的是，為了避免人為導(dǎo)向因素的影響，抽取時不對具體內(nèi)容進行篩選，僅按順序?qū)υ~條進行抽取。抽取內(nèi)容包括論題標題及所有回貼信息。

2.2 數(shù)據(jù)預(yù)處理 數(shù)據(jù)挖掘?qū)?shù)據(jù)的要求比較高，因此對未規(guī)范化的數(shù)據(jù)進行預(yù)處理就十分必要。數(shù)據(jù)的預(yù)處理是一個對數(shù)據(jù)進行格式轉(zhuǎn)化的過程，它的一般過程包括數(shù)據(jù)清理、用戶識別、會話識別、路徑補充、事務(wù)識別等等［4］。這其中，數(shù)據(jù)清理是整個數(shù)據(jù)預(yù)處理工作的基礎(chǔ)，在數(shù)據(jù)挖掘中起著至關(guān)重要的作用。在這一階段，可根據(jù)挖掘任務(wù)的不同對抽取后的詞條進行整理轉(zhuǎn)化，如消除噪聲、清除重復(fù)記錄，并對不完整數(shù)據(jù)進行處理等等，使之成為一種可用形式。

人們在論壇中所使用的往往是自然語言，自然語言因其用詞不夠規(guī)范，或者詞匯的重復(fù)使用造成了查全率和查準率低下，這就對詞條內(nèi)信息全面抽取工作帶來了一定的影響，因此對選擇的數(shù)據(jù)進行預(yù)處理就成為了一項不可或缺的工作［5］。

2.3 數(shù)據(jù)轉(zhuǎn)換 數(shù)據(jù)轉(zhuǎn)換的主要目的是降維，也就是從初始特征中找出真正有用的特征。在此可以選擇中文分詞技術(shù)［6－7］。網(wǎng)絡(luò)論壇的特點決定了使用者的用詞遣句往往不是那么標準嚴謹，而是以自然語言為主。中文分詞技術(shù)剛好屬于自然語言處理技術(shù)范疇［8］。對于一句話，人可以通過自己的知識來明白哪些是詞，哪些不是詞，但如何讓計算機也能理解［9］?這個處理過程就需要分詞算法技術(shù)的支持。中文分詞方法的基本原理是針對輸入文字串進行分詞、過濾處理，輸出中文單詞、英文單詞以及數(shù)字串等一系列分割好的字符串［10］。

圖1

2.4 數(shù)據(jù)挖掘 聚類方法最早應(yīng)用于20世紀70年代中后期，近年逐漸被廣泛應(yīng)用于各個領(lǐng)域，并為我們的研究提供了參考與借鑒［11］。針對本文研究的情況，對主題論壇中的論題標題及相關(guān)回貼信息中的信息進行分詞處理后，對詞語進行兩兩統(tǒng)計，得出其在同一論題中出現(xiàn)的次數(shù)，形成共詞矩陣［12］。共詞分析認為兩個詞語在同一篇文獻中出現(xiàn)的頻率越高，表示主題間的關(guān)系越緊密。以共同矩陣為基礎(chǔ)進行聚類分析，通過分析確認與中醫(yī)藥信息相關(guān)的詞語間的聯(lián)系，進而分析學(xué)科結(jié)構(gòu)的變化［13］。

要想找到詞語之間真正的共現(xiàn)關(guān)系，需要對詞語之間的共現(xiàn)強度按照特定公式進行計算。常用Salton指數(shù)表示詞語之間的關(guān)聯(lián)強度，其計算公式為:

通過SPSS軟件對詞語進行聚類分析，最終形成共詞聚類樹。把每一點作為一類，找出距離最小的dij，從而得出距離最近的兩類i、j，把它們合并成為層次最高的一類。此動作重復(fù)進行，直到所有的點都并成一個大類。再根據(jù)實際需要確定以第幾層的類為最終分類標準。

3 結(jié)語

我所作為中醫(yī)藥信息領(lǐng)域的研究機構(gòu)，可以國內(nèi)中醫(yī)藥領(lǐng)域的論壇為基礎(chǔ)，通過對這些論壇數(shù)據(jù)的提取，匯聚，運用數(shù)據(jù)挖掘的技術(shù)及時獲得中醫(yī)藥領(lǐng)域熱點問題，掌握中醫(yī)藥科研機構(gòu)的最新動向，以及普通民眾對于中醫(yī)藥的關(guān)注話題［14］，為我所及數(shù)據(jù)庫建設(shè)今后的工作提供一些新的思路［15］。

［1］熊莉君.虛擬社區(qū)中信息交流的引導(dǎo)機制研究［J］.圖書館學(xué)研究，2011，29(09):45 －47.

［2］汪祖柱，錢程，儲節(jié)旺.專業(yè)虛擬社會區(qū)知識服務(wù)的概念及其機制研究［J］.情報理論與實踐，2011，34(5):27 －29.

［3］謝珍，崔旭.關(guān)于專業(yè)虛擬社區(qū)中個人知識管理的研究［J］.情報雜志，2010，29(2):105 －109.

［4］周愛武，肖云，封軍.Web日志挖掘數(shù)據(jù)預(yù)處理優(yōu)化［J］.計算機技術(shù)與發(fā)展，2011，21(01):42 －45.

［5］劉紅芝.中文分詞技術(shù)的研究［J］.電腦開發(fā)與應(yīng)用，2010，23(3):1－3.

［6］龍樹全，趙正文，唐華.中文分詞算法概述［J］.電腦知識與技術(shù)，2009，5(10):2605 －2607.

［7］馬婷婷.中文自動分詞系統(tǒng)概述［J］.電腦知識與技術(shù)，2010，6(33):9336－9338.

［8］趙新輝，郭瑞.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)輿情智能監(jiān)測與引導(dǎo)平臺設(shè)計研究［J］.電腦知識與技術(shù)，2012，8(1):1 －2，4.

［9］韓月陽，鄧世昆，賈時銀，等.基于字分類的中文分詞的研究［J］.計算機技術(shù)與發(fā)展，2011，21(7):29 －31，35.

［10］席朝瓊.面向中文全文索引的中文分詞策略［J］.電腦知識與技術(shù)，2012，18(3):722 －726.

［11］章成志，梁勇.基于主題聚類的學(xué)科研究熱點及其趨勢監(jiān)測方法［J］.情報學(xué)報，2010，29(02):342 －349.

［12］王玨，曾劍平，周葆華，等.基于聚類分析的網(wǎng)絡(luò)論壇意見領(lǐng)袖發(fā)現(xiàn)方法［J］.計算機工程，2011，37(5):44 －46，49.

［13］魏莎莎，熊海靈.中文分詞中的歧義識別處理策略［J］.微計算機信息，2010，26(10):190 －192.

［14］陳永剛，孫卉垚.互聯(lián)網(wǎng)輿情研究［J］.情報雜志，2011，30(S1):85－88.

［15］于慧新，阮建海.高校圖書館如何參與網(wǎng)絡(luò)輿情監(jiān)測工作［J］.現(xiàn)代情報，2012，32(2):71 －72，106.