基于画像增强的在线健康社区个性化医疗专家推荐模型

《Frontiers in Public Health》：A recommendation model based on profile enhancement for personalized medical expert in online health communities

　　

摘要：引言：在线健康社区中，医疗专家与健康咨询者之间的低效匹配仍是一项挑战。本研究构建了画像增强推荐模型（Recommendation Model with Profile Enhancement, RMPE），该模型整合了服务质量与用户情感维度，以提升服务交换效率、促进价值共创，并为在线健康社区的生态治理提供算法支持与管理启示。方法：RMPE工作流程包括三个阶段：通过主题建模提取动态专家画像，通过情感分析量化用户主观体验，以及通过协同过滤完成个性化推荐。该模型将服务主导逻辑（Service-Dominant Logic）与信息生态理论（Information Ecology Theory）计算化地融入推荐过程。结果：基于好大夫在线（Haodf.com）数据的实证分析表明，RMPE的推荐准确率达88.1%，显著优于传统基线模型，并且在Top-30推荐列表中成功识别了超过80%用户的最终选择。讨论：研究结果验证了画像增强路径的技术有效性，并为定量分析在线健康社区中的价值共创过程提供了框架。所提出的方法通过支持资源优化配置、社区文化培育以及健康社区生态系统的可持续发展，为平台治理提供了理论与实践价值。

论文解读：基于画像增强的在线健康社区个性化医疗专家推荐模型

一、研究背景与问题

随着数字健康的快速发展，在线健康社区（Online Health Communities, OHCs）积累了海量健康相关数据，成为重要的医疗信息资源。然而，健康咨询者通常缺乏专业医学知识，面对信息过载常常难以选择适合的医疗专家。现有研究主要聚焦于问答文本的相似性，但仅依赖文本相似度无法准确反映医疗专家的专业能力与服务价值。此外，从平台治理视角出发，现有匹配机制在支持在线健康社区可持续发展方面仍存在局限：一方面，对医疗专家这一核心平台资产的刻画多聚焦于静态属性或单一文本主题，未能深入量化其服务互动中嵌入的专业性、共情等多维价值主张；另一方面，推荐机制尚未系统整合专家动态服务画像与咨询者主观情感反馈，以建模并促进平台内的价值共创。

二、研究目标与理论基础

为解决上述问题，本研究基于服务主导逻辑（Service-Dominant Logic）与信息生态理论（Information Ecology Theory），提出一种画像增强的个性化医疗专家推荐模型（Recommendation Model with Profile Enhancement, RMPE）。该模型将医疗服务视为医疗专家与健康咨询者共同创造价值的过程，并将在线健康社区视为由信息、信息主体与信息环境构成的相互依存的生态系统。RMPE模型旨在通过画像增强优化信息流效率，实现专家价值主张与咨询者参与模式的精准匹配，从而提升服务交换效率、促进价值共创，并为社区生态治理提供算法支持。

三、关键技术与方法

研究人员采用多阶段方法构建RMPE模型。首先，利用好大夫在线（Haodf.com）平台收集了7,872名医疗专家、533,243条咨询沟通记录和254,402条健康咨询评价记录。在数据预处理中，使用“jieba”分词工具并结合OMAHA知识图谱平台的专业医学术语库，以及哈尔滨工业大学中文停用词表进行文本清洗。模型构建方面，采用BERTopic主题模型提取专家动态画像，利用改进的SERVQUAL模型从专业性（Professionalism）、共情性（Empathy）、可靠性（Reliability）、保证性（Assurance）和响应性（Responsiveness）五个维度结构化刻画专家服务特征；采用基于残差连接的LSTM模型对用户评论文本进行细粒度情感分析；利用预训练BERT模型提取深度语义特征；最终将增强后的专家画像与用户情感反馈融入均值中心化余弦相似度的协同过滤推荐框架，完成个性化推荐。

四、研究结果

（一）情感分析模块性能评估

在验证集上，基于残差连接的LSTM模型在准确率和F1分数上均优于标准LSTM、BiLSTM和CNN模型，准确率达89.2%，F1分数达0.902。与标准LSTM相比，准确率提升3.9个百分点，均方根误差（RMSE）从0.267降至0.245。消融实验进一步证实残差连接的作用，去除残差连接后准确率从89.2%降至85.3%。

（二）参数对推荐性能的影响

研究人员分别训练了具有3层、5层和7层隐藏层的RMPE模型（RMPE-3、RMPE-5、RMPE-7）。实验结果显示，随着隐藏层数量增加，模型性能逐步提升。RMPE-7在测试集上达到最高准确率88.1%，损失值降至0.030，最终被采用为模型配置。

（三）对比实验结果

与传统机器学习模型（SVM、LR、RF）、序列模型（RNN）、生成对抗网络（GAN）以及矩阵分解（MF）等基线模型相比，RMPE在所有评估指标上均取得最佳结果，准确率为0.88，F1分数为0.85，RMSE为0.12。实验验证了画像增强路径在提升推荐性能方面的有效性。

（四）跨科室验证

将数据集按咨询领域划分为普通内科、心内科、神经内科和消化内科四个子集进行评估。RMPE在各科室的表现保持一致，准确率介于0.868至0.883之间，F1分数介于0.821至0.858之间，RMSE介于0.112至0.132之间，验证了模型在不同临床情境下的稳健性和适应性。

（五）真实场景推荐结果验证

研究人员随机选取300名具有明确最终咨询记录的健康咨询者作为测试集，以咨询者实际完成咨询的医疗专家作为真实基准，计算返回概率（Return Probability）。在Top-10推荐列表中，各科室返回概率介于0.60至0.67之间；Top-20提升至0.63至0.70；Top-30进一步攀升至0.80至0.87，成功覆盖超过80%用户的最终选择。

五、讨论与结论

RMPE模型通过整合服务主导逻辑与信息生态理论，将价值共创过程计算化，为在线健康社区的平台治理提供了可量化的分析框架。理论层面，该模型将服务主导逻辑操作化为包含SERVQUAL维度的动态画像，并结合情感分析量化用户价值感知，超越了传统基于静态属性或文本相似度的推荐系统，为理解专业服务平台的互动本质与生态健康提供了新研究视角。实践层面，多维画像可作为服务质量的实时诊断仪表盘，帮助识别关键贡献者与改进领域；同时，模型对共情性、响应性等软性服务维度的量化强调了培育信任和支持性社区文化对用户留存与平台可持续性的关键作用。研究结论表明，RMPE模型在在线健康社区中有效实现医疗专家与健康咨询者的精准匹配，为构建更健康、可持续的互联网健康社区生态系统提供了数据驱动的决策范式。