移動(dòng)醫(yī)療App 在線評(píng)論維度挖掘與情感分析

柯 潔，楊 婉，黃桂玲，王 璇，劉 倩

隨著互聯(lián)網(wǎng)醫(yī)療行業(yè)的快速發(fā)展，各類移動(dòng)醫(yī)療App 不斷涌現(xiàn)。根據(jù)移動(dòng)應(yīng)用市場(chǎng)知名咨詢公司data.ai 的統(tǒng)計(jì)數(shù)據(jù)顯示，截至2022 年2 月，中國(guó)移動(dòng)醫(yī)療App 數(shù)量已近2 000 個(gè)，涉及在線問(wèn)診、網(wǎng)上就醫(yī)、醫(yī)藥服務(wù)、健康管理等多個(gè)細(xì)分領(lǐng)域［1］。受新型冠狀病毒肺炎（以下簡(jiǎn)稱“新冠肺炎”）疫情影響，人們對(duì)醫(yī)療App 的使用需求持續(xù)增長(zhǎng)，進(jìn)一步推動(dòng)了傳統(tǒng)醫(yī)療服務(wù)向移動(dòng)端延伸。移動(dòng)醫(yī)療App 建立了醫(yī)院信息系統(tǒng)、移動(dòng)網(wǎng)絡(luò)平臺(tái)和用戶就醫(yī)需求之間的多元連接，使用戶可以隨時(shí)隨地訪問(wèn)醫(yī)療資源并獲取相應(yīng)的醫(yī)療健康服務(wù)，是未來(lái)互聯(lián)網(wǎng)醫(yī)療行業(yè)發(fā)展的主要模式之一［2］。但隨著移動(dòng)醫(yī)療App 數(shù)量的爆發(fā)式增長(zhǎng)，也引發(fā)了同質(zhì)化競(jìng)爭(zhēng)加劇、服務(wù)質(zhì)量參差不齊等一系列問(wèn)題。如何及時(shí)準(zhǔn)確地了解移動(dòng)醫(yī)療App 的用戶使用體驗(yàn)和評(píng)價(jià)意見(jiàn)，進(jìn)而推動(dòng)移動(dòng)醫(yī)療的創(chuàng)新與發(fā)展，已成為國(guó)內(nèi)外學(xué)者和互聯(lián)網(wǎng)醫(yī)療行業(yè)共同關(guān)注的焦點(diǎn)。

App 在線評(píng)論是洞察用戶體驗(yàn)和滿意度的重要數(shù)據(jù)來(lái)源，表達(dá)了用戶使用App 后的真實(shí)感受，蘊(yùn)含著重要研究?jī)r(jià)值。一方面有助于App 開(kāi)發(fā)商、運(yùn)營(yíng)商等主體基于用戶反饋信息進(jìn)行App 優(yōu)化與創(chuàng)新，提升用戶體驗(yàn)和使用意愿；另一方面可以幫助潛在用戶全面比較同類醫(yī)療App 之間的功能、內(nèi)容等差異，從而做出更加理性和正確的決策。而在線評(píng)論中往往包含用戶對(duì)App 不同屬性維度的評(píng)價(jià)，并帶有強(qiáng)烈的感情色彩。通過(guò)對(duì)在線評(píng)論進(jìn)行維度挖掘和情感分析，可以準(zhǔn)確、全面地掌握用戶對(duì)移動(dòng)醫(yī)療App 的關(guān)注重點(diǎn)和滿意程度，進(jìn)而為優(yōu)化用戶體驗(yàn)指明方向。

目前，常用的評(píng)論挖掘與情感分析方法包括情感詞典、機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法。其中，情感詞典中情感詞的判別與選擇取決于先驗(yàn)知識(shí)與實(shí)驗(yàn)設(shè)計(jì)，在完備性和準(zhǔn)確性方面還存在不足；而傳統(tǒng)機(jī)器學(xué)習(xí)算法的精確度在很大程度上取決于標(biāo)注訓(xùn)練集的質(zhì)量，對(duì)人類經(jīng)驗(yàn)和領(lǐng)域知識(shí)的依賴性很高。隨著深度學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的文本情感分析方法逐漸得到廣泛應(yīng)用，并在自適應(yīng)特征學(xué)習(xí)和模型泛化能力上體現(xiàn)出明顯優(yōu)勢(shì)。因此，本文將綜合應(yīng)用多種深度學(xué)習(xí)算法，對(duì)移動(dòng)醫(yī)療App 在線評(píng)論進(jìn)行維度挖掘與情感分析。

1 相關(guān)研究方法

1.1 評(píng)論維度抽取方法

評(píng)論維度抽取是指通過(guò)挖掘評(píng)論中的特征詞提取出用戶對(duì)產(chǎn)品或服務(wù)的具體評(píng)價(jià)維度，是對(duì)評(píng)論文本進(jìn)行細(xì)粒度觀點(diǎn)挖掘和情感識(shí)別的基礎(chǔ)［3］。常用的評(píng)論維度抽取方法主要包括模式匹配法、詞頻統(tǒng)計(jì)法和監(jiān)督學(xué)習(xí)法。

模式匹配法是通過(guò)詞典中的每個(gè)詞與被處理文本之間逐一進(jìn)行匹配，或者根據(jù)文本特點(diǎn)與定制規(guī)則進(jìn)行匹配［4］。有學(xué)者基于中國(guó)知網(wǎng)（CNKI）提供的詞典，采用語(yǔ)義相似度計(jì)算方法實(shí)現(xiàn)觀點(diǎn)維度詞的抽?。?］；有學(xué)者專門(mén)構(gòu)建了一個(gè)汽車領(lǐng)域的本體詞典，用于從相關(guān)評(píng)論中抽取客戶對(duì)不同品牌汽車性能和配置指標(biāo)的評(píng)價(jià)［6］。模式匹配法使用簡(jiǎn)單，準(zhǔn)確率高，但一般需要領(lǐng)域?qū)＜裔槍?duì)不同領(lǐng)域建立相應(yīng)的詞典和規(guī)則庫(kù)，投入的時(shí)間和人力成本很高，并且需要定期更新維護(hù)。

基于詞頻統(tǒng)計(jì)的方法是將詞頻作為衡量詞語(yǔ)對(duì)文本重要性的測(cè)量指標(biāo)，主要分為詞頻統(tǒng)計(jì)法和加權(quán)統(tǒng)計(jì)法［7］。有學(xué)者使用TF-IDF 算法和位置加權(quán)算法在新聞和博客評(píng)論文本中提取評(píng)論維度特征［8］；有學(xué)者提出了一種基于C-value 度量統(tǒng)計(jì)的方法，用于對(duì)用戶評(píng)論進(jìn)行維度抽?。?］。詞頻統(tǒng)計(jì)法的優(yōu)勢(shì)在于可以快速提取主題詞及分析特征詞詞頻與主題類別之間的關(guān)系，但對(duì)評(píng)論中不常出現(xiàn)的特征詞分析效果較差。

監(jiān)督學(xué)習(xí)法是將評(píng)論維度抽取作為自然語(yǔ)言處理領(lǐng)域中常見(jiàn)的序列標(biāo)注問(wèn)題，主要包括兩大類。一是基于語(yǔ)料庫(kù)的無(wú)監(jiān)督抽取，典型算法有隱式語(yǔ)義分析（latent semantic analysis，LSA）、隱含狄利克雷分布（latent dirichlet allocation，LDA）等，但這些算法沒(méi)有考慮評(píng)論文本中各個(gè)詞之間的位置關(guān)系，對(duì)細(xì)粒度的特征詞抽取效果并不理想；二是基于單文本的抽取，典型算法包括基于詞圖網(wǎng)絡(luò)的快速關(guān)鍵詞提取算法（rapid automatic keyword extraction，RAKE）、主題排序算法（topic rank，TR）、位置排序算法（position rank，PR）等［10-12］，主要通過(guò)計(jì)算候選詞向量與主題的語(yǔ)義相似度排序并提取出特征詞。但常用于計(jì)算詞向量的Word2vec 等模型均為靜態(tài)模型，在語(yǔ)義環(huán)境變化較大的情況下容易產(chǎn)生誤差。近年來(lái)，有研究者嘗試通過(guò)將預(yù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型作為語(yǔ)言模型，針對(duì)具體任務(wù)使用微調(diào)的方式進(jìn)行自然語(yǔ)言處理，取得了很好的效果。BERT 模型就是預(yù)訓(xùn)練模型之一，該模型利用其獨(dú)特的Transformer 結(jié)構(gòu)對(duì)文本進(jìn)行雙向?qū)W習(xí)和處理，利用自注意力機(jī)制（self-attention）學(xué)習(xí)詞間的關(guān)系，從而使詞向量產(chǎn)生更加豐富的內(nèi)涵，使原有的靜態(tài)向量具有“動(dòng)態(tài)”語(yǔ)言意義，甚至能在一定程度上讓同一個(gè)詞表達(dá)不同含義［13］。

1.2 文本情感分析方法

情感分析也稱為“情感傾向分析”或“意見(jiàn)挖掘”，是目前自然語(yǔ)言處理領(lǐng)域的研究熱點(diǎn)，其目的是從文本中識(shí)別出用戶積極、中立或消極的情感態(tài)度［14］。情感分析方法主要包括情感詞典方法、傳統(tǒng)機(jī)器學(xué)習(xí)情感分析方法和深度學(xué)習(xí)方法。

情感詞典方法主要依賴詞典的構(gòu)建，即先基于情感詞典獲取文檔中情感詞的情感值，再通過(guò)加權(quán)計(jì)算確定文檔的整體情感傾向，因此需要針對(duì)特定領(lǐng)域建立相應(yīng)的情感詞典，提高分類準(zhǔn)確率［15］。對(duì)于小樣本數(shù)據(jù)而言，該方法能夠取得較好的分類結(jié)果且易于理解，但隨著在線評(píng)論數(shù)據(jù)量的快速增長(zhǎng)，情感詞典需要不斷更新擴(kuò)展才能提高結(jié)果的準(zhǔn)確率［16］。

傳統(tǒng)機(jī)器學(xué)習(xí)情感分析方法是通過(guò)訓(xùn)練情感分類器來(lái)預(yù)測(cè)文本的情感傾向［17］。與情感詞典方法相比，機(jī)器學(xué)習(xí)的擴(kuò)展性和可重復(fù)性更好，能取得更加準(zhǔn)確的分類結(jié)果，但其準(zhǔn)確度很大程度上依賴于標(biāo)注訓(xùn)練集的質(zhì)量，受人工成本、專家經(jīng)驗(yàn)等因素的影響較大。

近年來(lái)，深度學(xué)習(xí)方法在情感分析領(lǐng)域得到廣泛應(yīng)用。經(jīng)典的深度學(xué)習(xí)模型包括卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）、雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Bi‐directional long short-term temory，BiLSTM）和注意力機(jī)制等［18］。深度學(xué)習(xí)方法比情感詞典方法和傳統(tǒng)機(jī)器學(xué)習(xí)方法有更強(qiáng)的表達(dá)能力和模型泛化能力。與此同時(shí)，在單一深度學(xué)習(xí)模型基礎(chǔ)上，研究者還進(jìn)一步對(duì)集成多種神經(jīng)網(wǎng)絡(luò)方法的文本情感分析展開(kāi)了探索。有學(xué)者結(jié)合CNN 和LSTM 兩種模型的優(yōu)點(diǎn)，利用CNN 模型提取較高層次的單詞或詞組，用向量進(jìn)行數(shù)據(jù)建模，并將其輸入LSTM 模型中得到更加復(fù)雜的向量表示，這樣既能獲取文本的局部特征，又能得到句子的時(shí)態(tài)語(yǔ)義［19］；有學(xué)者應(yīng)用CNN 和RNN 結(jié)合的方法進(jìn)行在線評(píng)論情感分類，也取得了良好的分類效果［20］。

在已有研究成果的基礎(chǔ)上，本文針對(duì)移動(dòng)醫(yī)療App 在線評(píng)論數(shù)據(jù)量大、口語(yǔ)特征明顯、一詞多義等特點(diǎn)，采用集成多策略的深度學(xué)習(xí)方法，通過(guò)詞頻-逆向文件頻率算法（term frequency-inverse document frequency，TF-IDF）、BERT 模型與混合聚類的協(xié)同過(guò)濾推薦算法（Canopy+K-means）相結(jié)合的方式挖掘移動(dòng)醫(yī)療App 評(píng)論維度，明確用戶重點(diǎn)關(guān)注的App 屬性維度；應(yīng)用LSTM-CNN 模型進(jìn)行維度情感分析，從不同層面評(píng)估用戶對(duì)移動(dòng)醫(yī)療App 的滿意度，并通過(guò)實(shí)證研究，對(duì)所提出的評(píng)論維度挖掘和情感分析模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行有效驗(yàn)證，為移動(dòng)醫(yī)療App 在線評(píng)論挖掘和用戶滿意度研究提供有益參考。

2 研究設(shè)計(jì)

2.1 研究框架

本文采用一種集成多策略的深度學(xué)習(xí)方法對(duì)移動(dòng)醫(yī)療App 在線評(píng)論進(jìn)行維度挖掘和情感分析。維度挖掘的步驟：首先對(duì)采集到的移動(dòng)醫(yī)療App在線評(píng)論數(shù)據(jù)進(jìn)行清洗、分詞、詞性標(biāo)注和去停用詞等預(yù)處理，然后使用TF-IDF 算法對(duì)評(píng)論進(jìn)行抽詞標(biāo)引，提取特征詞，再應(yīng)用預(yù)訓(xùn)練的BERT 模型生成特征詞的詞向量，接著利用Canopy+K-means算法進(jìn)行特征詞分析，投射到高維空間進(jìn)行聚類，由此得到移動(dòng)醫(yī)療App 用戶在線評(píng)論中的不同維度。情感分析的步驟：進(jìn)一步通過(guò)分句和依存句法分析2 種文本分析方法從評(píng)論樣本中得到包含具體維度特征詞的短句，作為L(zhǎng)STM-CNN 情感分類模型的輸入語(yǔ)料，并根據(jù)各維度在所有評(píng)論中被提及的概率和該維度的情感傾向與整體評(píng)論情感傾向的一致性計(jì)算各維度權(quán)重。同時(shí)，利用訓(xùn)練集與測(cè)試集評(píng)論語(yǔ)料對(duì)LSTM-CNN 情感分類模型進(jìn)行訓(xùn)練，并基于訓(xùn)練好的模型進(jìn)行評(píng)論情感傾向分類，進(jìn)而計(jì)算用戶對(duì)移動(dòng)醫(yī)療App 具體屬性維度的積極情感傾向率，在此基礎(chǔ)上評(píng)價(jià)用戶滿意度。具體研究框架如圖1 所示。

圖1 移動(dòng)醫(yī)療App 在線評(píng)論維度挖掘與情感分析研究框架

2.2 移動(dòng)醫(yī)療App 在線評(píng)論維度特征的抽取與聚類

移動(dòng)醫(yī)療App 在線評(píng)論具有明顯的口語(yǔ)化和網(wǎng)絡(luò)用語(yǔ)化特點(diǎn)，而且存在很多低價(jià)值甚至無(wú)效的信息。因此，首先需要對(duì)采集的評(píng)論數(shù)據(jù)進(jìn)行清洗、文本分詞、詞性標(biāo)注和去停用詞等預(yù)處理。其次，為了兼顧評(píng)論中特征詞抽取的時(shí)效性和準(zhǔn)確性，本文使用 TF-IDF 算法進(jìn)行特征詞抽取，并選取TF-IDF 值較高的名詞表征移動(dòng)醫(yī)療App 的屬性特征，進(jìn)行向量數(shù)據(jù)建模，作為后續(xù)特征聚類的輸入向量語(yǔ)料。

在此基礎(chǔ)上，將候選特征詞輸入經(jīng)過(guò)預(yù)訓(xùn)練的BERT 模型，得到相應(yīng)詞向量，接著進(jìn)行“二階段”聚類：第一階段使用Canopy 聚類算法對(duì)在線評(píng)論中的屬性特征和向量語(yǔ)料進(jìn)行“粗”聚類，得到初始分類K 值；第二階段采用第一階段輸出的K 值進(jìn)行K 均值聚類（K-means），從而獲得更加精準(zhǔn)的分類結(jié)果，由此得到在線評(píng)論中用戶所關(guān)注的移動(dòng)醫(yī)療App 的主要維度［21］。與傳統(tǒng)K-means 聚類算法相比，Canopy 聚類算法的優(yōu)勢(shì)在于無(wú)須事先指定K 值，能夠顯著提高聚類效率，具有更高的實(shí)際應(yīng)用價(jià)值。

2.3 在線評(píng)論維度權(quán)重計(jì)算

由于移動(dòng)醫(yī)療App 各維度的評(píng)價(jià)意見(jiàn)對(duì)用戶滿意度會(huì)產(chǎn)生不同程度的影響，因此需要進(jìn)一步通過(guò)權(quán)重計(jì)算明確不同維度的重要性。具體而言，維度ax的權(quán)重主要與兩方面因素有關(guān)。一是維度ax在所有評(píng)論中被提及的頻次；二是用戶對(duì)維度ax的評(píng)論情感傾向與用戶整體評(píng)論情感傾向的一致性［22］。因此，可以通過(guò)公式（1）和公式（2）進(jìn)行計(jì)算。

其中WX表示維度ax的權(quán)重值，A表示在線評(píng)論中所提取的維度個(gè)數(shù)，si表示涉及維度ax的評(píng)論情感傾向，Si表示整體評(píng)論情感傾向。計(jì)算得到的維度ax的權(quán)重值越高，說(shuō)明其受用戶的關(guān)注度越高，對(duì)用戶整體評(píng)論情感傾向的決定性作用越強(qiáng)。

2.4 基于LSTM-CNN 的在線評(píng)論情感分析

本文構(gòu)建的LSTM-CNN 情感分析模型結(jié)構(gòu)如圖2 所示。該模型主要由LSTM 層、輸入層、卷積層、池化層和全連接層構(gòu)成。LSTM 模型是一種改進(jìn)的基于RNN 模型的網(wǎng)絡(luò)結(jié)構(gòu)，能夠有效保存長(zhǎng)序列的歷史信息；而CNN 模型在整個(gè)分析過(guò)程中能夠比較精準(zhǔn)地定位核心語(yǔ)義信息，從而為后續(xù)數(shù)學(xué)模型判定得到文本的關(guān)鍵語(yǔ)義。因此，本文綜合應(yīng)用LSTM 和CNN 模型來(lái)提高移動(dòng)醫(yī)療App 在線評(píng)論情感分類的準(zhǔn)確率。

圖2 LSTM-CNN 模型結(jié)構(gòu)

首先利用提前訓(xùn)練好的BERT 模型將評(píng)論語(yǔ)料映射成向量矩陣，每1 個(gè)詞為1 個(gè)向量，將其按時(shí)序輸入LSTM 模型，從中提取有用的語(yǔ)義特征，從而使卷積層能提取到更加豐富的局部信息，提高模型分類的準(zhǔn)確率。接著，將LSTM 模型輸出的向量矩陣作為CNN 模型的輸入，在卷積層對(duì)LSTM每一時(shí)刻的輸出數(shù)據(jù)進(jìn)行卷積操作，提取出最重要的語(yǔ)義特征，再由池化層對(duì)卷積層輸出的數(shù)據(jù)進(jìn)行最大池化。其中，池化操作是設(shè)定一個(gè)Max 值作為中間變量，取每個(gè)過(guò)濾器中的Top-K 個(gè)最大值作為該過(guò)濾器的語(yǔ)義信息。最后，通過(guò)全連接層將前面提取到的局部特征進(jìn)行整合與歸一化處理，并基于柔性最大回歸（softmax regression）得到最終分類結(jié)果。

3 實(shí)驗(yàn)結(jié)果和分析

本文以App Store 中國(guó)應(yīng)用市場(chǎng)中醫(yī)療類免費(fèi)App 下載排行榜為依據(jù)，在“七麥數(shù)據(jù)”平臺(tái)上逐一查詢排名前50 位的移動(dòng)醫(yī)療App 的評(píng)論數(shù)據(jù)?！捌啕湐?shù)據(jù)”是權(quán)威的移動(dòng)應(yīng)用數(shù)據(jù)分析平臺(tái)，記錄了App Store、Google Play 和中國(guó)8 個(gè)主要的安卓手機(jī)應(yīng)用市場(chǎng)上App 的各類榜單、評(píng)分、評(píng)論等多維數(shù)據(jù)［23］。根據(jù)查詢結(jié)果，本文選取了2020 年1 月1 日至2021 年12 月31 日期間評(píng)論量超過(guò)500條的15 個(gè)醫(yī)療類App 作為實(shí)證研究對(duì)象。根據(jù)這些App 的詳細(xì)介紹，將其進(jìn)一步細(xì)分為互聯(lián)網(wǎng)醫(yī)院App（4 個(gè)）、醫(yī)藥服務(wù)App（2 個(gè)）、健康管理App（4 個(gè)）和綜合服務(wù)App（5 個(gè)）四大類。首先，應(yīng)用Python 爬蟲(chóng)技術(shù)采集這些App 的評(píng)論數(shù)據(jù)，包括App 評(píng)分、評(píng)論數(shù)量、評(píng)論內(nèi)容、評(píng)論人、評(píng)論時(shí)間等，同時(shí)對(duì)用戶ID 進(jìn)行了隱私保護(hù)處理。采集格式如表1 所示。然后，對(duì)這些評(píng)論數(shù)據(jù)進(jìn)行清洗，得到23 771 條有效評(píng)論。接著從15 個(gè)樣本App 的在線評(píng)論中各隨機(jī)提取500 條評(píng)論數(shù)據(jù)作為情感分析語(yǔ)料，同時(shí)將沒(méi)有被提取的評(píng)論數(shù)據(jù)分成兩部分，其中80%的語(yǔ)料作為L(zhǎng)STM-CNN模型深度學(xué)習(xí)算法的訓(xùn)練集，20%的語(yǔ)料作為測(cè)試集。之后，使用jieba 工具對(duì)所有評(píng)論數(shù)據(jù)進(jìn)行分詞和詞性標(biāo)注，并進(jìn)行停用詞過(guò)濾，作為初始化語(yǔ)料。

表1 移動(dòng)醫(yī)療App 在線評(píng)論數(shù)據(jù)采集樣例

3.1 評(píng)論維度提取結(jié)果

采用TF-IDF 算法計(jì)算得到移動(dòng)醫(yī)療App 在線評(píng)論對(duì)應(yīng)的TF-IDF 值，將這些值進(jìn)行排序，選擇排序靠前的特征詞作為候選特征詞，然后進(jìn)一步篩除詞頻較低和與醫(yī)療類App 屬性特征無(wú)關(guān)的詞語(yǔ)，最終得到437 個(gè)特征詞。采用經(jīng)過(guò)預(yù)訓(xùn)練的BERT模型得到每個(gè)詞的詞向量，并進(jìn)行聚類分析。為測(cè)試基于BERT 的Canopy+K-Means 聚類算法的效果，本文嘗試提取BERT 倒數(shù)第2 層、倒數(shù)第3 層的特征，并用10%的語(yǔ)料進(jìn)行簡(jiǎn)單的FINE-TUNE 分類微調(diào)，對(duì)提取調(diào)整后的BERT 特征進(jìn)行評(píng)估，結(jié)果如表2 所示。

表2 基于BERT 模型不同聚類方法的效果比較

表2 中聚類效果得分越高表示模型聚類效果越好?？梢钥吹剑瑢ERT 模型微調(diào)后得到的句向量進(jìn)行求平均后得出的特征可以較好地生成聚類結(jié)果，因此本文采用BERT-FINE-TUNE-MEAN 方法進(jìn)行特征詞聚類。最終，通過(guò)Canopy+K-Means 聚類分析方法確定K 值為5。聚類后提取出專業(yè)性、易用性、可靠性、特色性、交互性5 個(gè)評(píng)論維度。各維度下的具體特征詞如圖3 所示。為了使提取到的維度盡可能全面覆蓋評(píng)論中涉及的App 屬性特性，本文利用通過(guò)維基百科中文語(yǔ)料訓(xùn)練的BERT詞向量對(duì)每個(gè)維度下的特征詞進(jìn)行了擴(kuò)充，得到移動(dòng)醫(yī)療App 評(píng)論特征詞集。

圖3 移動(dòng)醫(yī)療App 在線評(píng)論維度提取結(jié)果

3.2 評(píng)論維度權(quán)重計(jì)算結(jié)果

根據(jù)App 在線評(píng)論維度提取結(jié)果，隨機(jī)選擇在線評(píng)論子集R，對(duì)R 中每條評(píng)論所包含的維度特征詞及其情感傾向進(jìn)行人工標(biāo)注。根據(jù)評(píng)論星級(jí)設(shè)定評(píng)論的整體情感傾向，5 星和4 星代表積極情感，3 星代表中性情感，1 星和2 星代表消極情感。其中，積極情感評(píng)論所占比例為58.3%，中性情感評(píng)論所占比例為12.6%，消極情感評(píng)論所占比例為29.1%。根據(jù)前述公式（1）和公式（2），計(jì)算得到移動(dòng)醫(yī)療App 5 個(gè)屬性維度的權(quán)重值，從高到低依次為：專業(yè)性（0.367）、可靠性（0.296）、交互性（0.153）、易用性（0.125）、特色性（0.059），如圖4 所示。其中，專業(yè)性和可靠性是用戶提到頻次最多且與評(píng)論整體情感一致性最高的2 個(gè)維度，所以權(quán)重值最高?？梢?jiàn)，移動(dòng)醫(yī)療App 提供的信息內(nèi)容與服務(wù)是否專業(yè)和是否可靠是用戶最為關(guān)注的方面。而“醫(yī)生的回復(fù)”“用戶間的社交聯(lián)系”“平臺(tái)的反饋”等內(nèi)容也經(jīng)常被用戶提及，這些內(nèi)容反映了醫(yī)患之間、用戶之間和用戶與平臺(tái)之間的多元交互性，也是醫(yī)療App 用戶關(guān)注的重點(diǎn)，因此權(quán)重值也較高。此外，還有部分用戶對(duì)App 的界面是否簡(jiǎn)潔、功能是否易于使用、信息發(fā)布是否及時(shí)等易用性特征做出了評(píng)價(jià)。分析結(jié)果顯示，用戶評(píng)論里較少提及移動(dòng)醫(yī)療App 的特色性。通過(guò)對(duì)樣本App 進(jìn)行觀察發(fā)現(xiàn)，大部分App 的功能和內(nèi)容同質(zhì)化現(xiàn)象嚴(yán)重，缺乏核心特色，導(dǎo)致用戶對(duì)醫(yī)療App 屬性特色的敏感度較低，也使該維度相關(guān)評(píng)論在整體評(píng)論中不具有主導(dǎo)作用，所以權(quán)重值最低。

圖4 移動(dòng)醫(yī)療App 的在線評(píng)論維度權(quán)重值

3.3 評(píng)論維度情感分析結(jié)果

本文從15 個(gè)樣本App 中各抽取500 條在線評(píng)論，然后進(jìn)行特征分句，并過(guò)濾掉其中不包含上述5 個(gè)維度特征詞的短句，將過(guò)濾后的評(píng)論內(nèi)容作為情感分析依據(jù)。同時(shí)，對(duì)包含不止1 個(gè)屬性特征的短句進(jìn)行依存句法分析，即通過(guò)語(yǔ)言單位內(nèi)成分之間的依存關(guān)系揭示句子的句法結(jié)構(gòu)，如“醫(yī)生非常專業(yè)但回復(fù)速度太慢”，就需要分別提取包含專業(yè)性和交互性維度特征詞的兩個(gè)短句進(jìn)行情感分析，由此得到進(jìn)行移動(dòng)醫(yī)療App 在線評(píng)論情感分析的語(yǔ)料。

采用LSTM-CNN 模型作為情感分析模型。為了驗(yàn)證模型的有效性與精確性，本文同時(shí)使用決策樹(shù)（Decision Tree）、LSTM、CNN 等4 種模型進(jìn)行情感分類效果對(duì)比（表3）。

表3 不同模型的情感分類結(jié)果比較

情感分類結(jié)果顯示，LSTM-CNN 模型在準(zhǔn)確率、召回率和F1 值上均取得了比單一深度學(xué)習(xí)模型更佳的效果，證明它能夠保證移動(dòng)醫(yī)療App 在線評(píng)論情感分類的準(zhǔn)確性與可靠性。在此基礎(chǔ)上，本文利用LSTM-CNN 模型對(duì)經(jīng)過(guò)特征分句處理的用戶評(píng)論語(yǔ)料進(jìn)行情感分析，分別得到15 個(gè)樣本App 在5個(gè)維度上的用戶評(píng)論積極情感傾向、中性情感傾向和消極情感傾向分析結(jié)果。其中，樣本App 的用戶評(píng)論積極情感傾向分析結(jié)果有顯著差異，而中性評(píng)論與消極評(píng)論由于數(shù)量相對(duì)較少，情感分析結(jié)果并未呈現(xiàn)出較大差異。根據(jù)已有研究提出的App 用戶滿意度評(píng)價(jià)標(biāo)準(zhǔn)，在線評(píng)論的積極情感傾向率（積極情感傾向的評(píng)論在所有評(píng)論情感傾向中所占的比率）可作為衡量用戶體驗(yàn)和滿意度的重要依據(jù)［21,24］，因此本文通過(guò)計(jì)算5 個(gè)維度上每個(gè)樣本App 的用戶評(píng)論積極情感傾向率來(lái)衡量用戶滿意度（表4）。

表4 移動(dòng)醫(yī)療樣本App 各維度的用戶評(píng)論積極情感傾向率/%

樣本App 在線評(píng)論的情感分析結(jié)果顯示，在專業(yè)性和可靠性維度上，“丁香醫(yī)生”“好大夫在線”“春雨醫(yī)生”“叮當(dāng)快藥”等移動(dòng)醫(yī)療App的積極情感傾向率都超過(guò)80%，說(shuō)明用戶對(duì)它們認(rèn)可度較高，而這些App 在我國(guó)移動(dòng)醫(yī)療服務(wù)起步階段就已上線，經(jīng)過(guò)多年運(yùn)營(yíng)與發(fā)展，已擁有龐大的用戶基礎(chǔ)和極高的知名度，并與國(guó)內(nèi)眾多三甲醫(yī)院、醫(yī)療服務(wù)機(jī)構(gòu)、藥品生產(chǎn)企業(yè)建立了廣泛的合作關(guān)系，積累了豐富的在線醫(yī)療資源，因此在專業(yè)性和可靠性上獲得了用戶高度認(rèn)可?！搬t(yī)鹿”和“京東健康”兩個(gè)App 在專業(yè)性和可靠性維度上的積極情感傾向率也位居前列，它們分別由阿里巴巴和京東兩個(gè)互聯(lián)網(wǎng)領(lǐng)軍企業(yè)開(kāi)發(fā)。由此可見(jiàn)，開(kāi)發(fā)者的規(guī)模、實(shí)力、信譽(yù)等因素會(huì)對(duì)用戶觀點(diǎn)產(chǎn)生重要影響。在交互性和易用性維度上，由阿里巴巴、京東、字節(jié)跳動(dòng)等大型互聯(lián)網(wǎng)企業(yè)開(kāi)發(fā)的“醫(yī)鹿”（阿里巴巴）、“京東健康”（京東）、“小荷健康”（字節(jié)跳動(dòng)）的用戶評(píng)論積極情感傾向率明顯高于其他App，主要原因可能是這些互聯(lián)網(wǎng)企業(yè)具有豐富的App 設(shè)計(jì)與開(kāi)發(fā)經(jīng)驗(yàn)，更加注重產(chǎn)品的交互設(shè)計(jì)細(xì)節(jié)與可用性測(cè)試，因此能帶給用戶更佳的使用體驗(yàn)；而其他App 則更多關(guān)注內(nèi)容生態(tài)和服務(wù)體系建設(shè)，忽視了交互的便利性與功能的易用性。在特色性維度上，各App 在線評(píng)論積極情感傾向率均較低，基本都在70%以下，僅有“微醫(yī)”（88.27%）和“健康云”（82.21%）的用戶反饋較好。其中，“微醫(yī)”除了預(yù)約掛號(hào)、在線問(wèn)診等基本醫(yī)療服務(wù)外，還推出了“病友幫”“服務(wù)包”等特色服務(wù)，而“健康云”則推出了親人健康管理、慢病管理、醫(yī)療資源智能匹配等特色化功能，在同類App 中表現(xiàn)出明顯的特色優(yōu)勢(shì)。

不同類別的移動(dòng)醫(yī)療App 用戶在線評(píng)論積極情感傾向率顯示，醫(yī)藥服務(wù)類App 和綜合服務(wù)類App 在專業(yè)性、可靠性、交互性和易用性4 個(gè)維度上的用戶滿意度均較高，而健康管理類App 在這4個(gè)維度上的消極評(píng)價(jià)則較多（圖5），說(shuō)明目前我國(guó)移動(dòng)醫(yī)療應(yīng)用市場(chǎng)中，醫(yī)藥服務(wù)類App 和綜合服務(wù)類App 的整體發(fā)展情況較好，用戶接受程度較高；而健康管理類App 的醫(yī)療資源質(zhì)量和服務(wù)水平則參差不齊，有待進(jìn)一步提升。此外，在特色性維度上，各類App 的用戶在線評(píng)論積極情感傾向率均較低，說(shuō)明目前移動(dòng)醫(yī)療App 的同質(zhì)化現(xiàn)象嚴(yán)重，缺乏符合用戶個(gè)性化需求的特色功能與服務(wù)。雖然各大醫(yī)療App 開(kāi)發(fā)商已經(jīng)開(kāi)始重視特色化和精準(zhǔn)性醫(yī)療健康服務(wù)的建設(shè)，但在醫(yī)療資訊、在線問(wèn)診、在線購(gòu)藥等核心功能方面的創(chuàng)新性還有待進(jìn)一步加強(qiáng)。

圖5 移動(dòng)醫(yī)療細(xì)分領(lǐng)域App 在線評(píng)論積極情感傾向率分布

3.4 結(jié)果分析

本文綜合應(yīng)用TF-IDF 算法、BERT 模型和Canopy+K-means 聚類分析方法，以當(dāng)前我國(guó)移動(dòng)醫(yī)療應(yīng)用市場(chǎng)中用戶廣泛使用的App 為實(shí)證對(duì)象，基于真實(shí)的大規(guī)模評(píng)論數(shù)據(jù)，提取得到受移動(dòng)醫(yī)療App 用戶關(guān)注的專業(yè)性、可靠性、交互性、易用性、特色性5 個(gè)主要維度作為衡量用戶滿意度的關(guān)鍵指標(biāo)，進(jìn)一步細(xì)化了基于傳統(tǒng)問(wèn)卷調(diào)查和專家經(jīng)驗(yàn)提出的評(píng)價(jià)框架。已有研究大多側(cè)重于從服務(wù)質(zhì)量、信息質(zhì)量、交互質(zhì)量3 個(gè)維度衡量App 用戶滿意度，未能充分體現(xiàn)用戶對(duì)移動(dòng)醫(yī)療App 專業(yè)性、可靠性的特殊需求，也難以突出激烈市場(chǎng)競(jìng)爭(zhēng)下App 的特色性對(duì)用戶滿意度的重要影響［25-27］。因此，本文的研究結(jié)果能更全面、精準(zhǔn)地幫助App開(kāi)發(fā)商和運(yùn)營(yíng)商把握用戶對(duì)移動(dòng)醫(yī)療服務(wù)的現(xiàn)實(shí)需求。與此同時(shí)，在評(píng)論維度挖掘基礎(chǔ)上，本文還進(jìn)一步計(jì)算了各維度的權(quán)重值，比較了不同維度對(duì)用戶滿意度的影響，明確了移動(dòng)醫(yī)療App 未來(lái)發(fā)展的重點(diǎn)方向。

通過(guò)基于LSTM-CNN 模型的移動(dòng)醫(yī)療App 在線評(píng)論情感分析，本文通過(guò)計(jì)算得到各App 在不同維度上的用戶評(píng)論積極情感傾向率，并由此詳細(xì)比較了不同App 的優(yōu)勢(shì)與劣勢(shì)，深入揭示了影響用戶滿意度的具體因素，有助于App 開(kāi)發(fā)商和運(yùn)營(yíng)商在“健康中國(guó)”戰(zhàn)略引導(dǎo)下，以用戶需求為中心，更有針對(duì)性地進(jìn)行內(nèi)容、功能、界面的優(yōu)化與完善。同時(shí)，通過(guò)醫(yī)療健康各細(xì)分領(lǐng)域App 間的橫向比較，進(jìn)一步明確了不同類型移動(dòng)醫(yī)療App的核心優(yōu)勢(shì)和發(fā)展方向，有助于推動(dòng)我國(guó)移動(dòng)醫(yī)療App 的創(chuàng)新與發(fā)展，帶動(dòng)我國(guó)傳統(tǒng)醫(yī)療行業(yè)的數(shù)字化轉(zhuǎn)型與智能化升級(jí)。

4 結(jié)語(yǔ)

隨著移動(dòng)醫(yī)療服務(wù)的快速發(fā)展和新冠肺炎疫情的常態(tài)化防控，移動(dòng)醫(yī)療App 正逐漸成為人們有效使用醫(yī)療資源和服務(wù)的便捷方式。通過(guò)對(duì)移動(dòng)醫(yī)療App 在線評(píng)論進(jìn)行維度挖掘和情感分析，可以深入了解用戶在使用移動(dòng)醫(yī)療服務(wù)時(shí)的關(guān)注重點(diǎn)和體驗(yàn)效果，對(duì)App 開(kāi)發(fā)商和運(yùn)營(yíng)商進(jìn)行產(chǎn)品迭代創(chuàng)新和用戶體驗(yàn)優(yōu)化具有重要價(jià)值。針對(duì)已有研究方法的局限性，本文提出了一種集成多策略的深度學(xué)習(xí)方法對(duì)移動(dòng)醫(yī)療App 在線評(píng)論進(jìn)行維度挖掘和情感分析，綜合應(yīng)用TF-IDF 算法、BERT模型和Canopy+K-means 聚類分析方法提取App 在線評(píng)論的主要維度，在此基礎(chǔ)上進(jìn)一步利用LSTM-CNN 模型進(jìn)行在線評(píng)論細(xì)粒度情感分析，從而全面、準(zhǔn)確地衡量了用戶對(duì)不同移動(dòng)醫(yī)療App的滿意度。實(shí)驗(yàn)結(jié)果顯示，本文提出的集成多策略的深度學(xué)習(xí)方法在移動(dòng)醫(yī)療App 在線評(píng)論維度挖掘和情感分類上具有很好的適用性、穩(wěn)定性和可推廣性，可為App 評(píng)論文本精準(zhǔn)分析和用戶滿意度評(píng)價(jià)提供重要理論依據(jù)和技術(shù)支持。

但本文也存在一定的局限性?？紤]到深度學(xué)習(xí)方法對(duì)在線評(píng)論挖掘和情感分類的數(shù)據(jù)量要求，本文僅選擇了目前用戶數(shù)量較多且評(píng)論數(shù)據(jù)豐富的代表性移動(dòng)醫(yī)療App 進(jìn)行實(shí)證研究，樣本規(guī)模不足，未能充分反映我國(guó)移動(dòng)醫(yī)療應(yīng)用市場(chǎng)的整體情況。在今后的研究中，隨著用戶評(píng)論數(shù)據(jù)的不斷累積，我們將進(jìn)一步擴(kuò)大樣本規(guī)模，并針對(duì)更多醫(yī)療細(xì)分領(lǐng)域的App 展開(kāi)可持續(xù)研究。同時(shí)，進(jìn)一步優(yōu)化基于深度學(xué)習(xí)的細(xì)粒度評(píng)論情感分類模型，為推動(dòng)我國(guó)移動(dòng)醫(yī)療App 的創(chuàng)新發(fā)展提供更有效的理論和實(shí)踐指導(dǎo)。