基于文本嵌入的自然语言处理模型在药物使用体验情感分析中的应用

《ACM Transactions on Asian and Low-Resource Language Information Processing》：A Text-Inception-Based Natural Language Processing Model for Sentiment Analysis of Drug Experiences

医疗领域用户情感分析与药物监测的混合深度学习模型研究。该模型通过文本卷积模块提取浅层特征，结合K-MaxPooling降维和Bi-GRU胶囊网络提取深层语义特征，在开源数据集上实现99%的准确率，为公共卫生决策和药监系统优化提供技术支撑。

　　```

摘要

在自然语言处理（NLP）领域，情感分析一直是研究最为成功的方向之一，这得益于自本世纪初以来网上海量的用户意见数据。经济、政治和医疗等领域都是从情感分析研究中受益匪浅的例子。虽然许多研究关注了消费电子、电影和餐厅等主流话题，但针对健康和医疗问题的研究相对较少。通过研究人们对医疗保健的整体看法以及特定药物的使用体验，我们可以获得关于如何改善公共卫生的重要见解。在医学领域，对在线用户评价的自动分析有助于从海量用户反馈中筛选出有关药物疗效和副作用的信息，从而有助于加强药物警戒计划。传统的基于规则的方法已被更复杂的机器学习技术（如深度学习）所取代，后者正逐渐成为许多自然语言处理任务的核心技术。开源数据集使用了基于词嵌入和词频-逆文档频率（TF-IDF）的模型进行分析。本文提出了一种结合了特征增强技术的文本感知模型用于情感分类。该模型首先利用先进的文本感知模块从文本中提取有用的特征，随后通过K-Max池化降低特征维度并提升模型的泛化能力；接着通过双向门控循环单元（Bi-GRU）和胶囊神经网络进一步提取深层语义信息。通过将传统方法与先进的人工智能技术相结合，这种混合方法有望推动医疗行业的公共卫生工作、决策制定以及药物警戒体系的革新。该模型在情感分类任务中取得了99%的超高准确率，充分证明了其在提升医疗研究和医疗保健方面的巨大潜力。

```