基于知識單元視角的健康領域知識需求分析與組織優化研究

王文韜 滕文倩 李建禮 張震

關鍵詞：知識單元;健康領域;糖尿病話題;知識需求;知識鏈接;解構重構;知識組織

隨著互聯網飛速發展和人們對健康愈加重視，健康類網站、論壇、APP、公眾號等應用急劇增多。據第47次《中國互聯網絡發展狀況統計報告》，截至2020年12月，我國在線醫療用戶規模達2？？15億，占網民整體的21？？7%[1]，可見在線健康信息搜尋成為人們獲取健康知識的重要途徑。同時，專業化健康網站因其可以使用自然語言提問，有專業醫生提供針對性解答，形成了相對自由的專業化健康社交論壇，備受廣大用戶青睞。以39健康網為例，該平臺擁有醫院級企業會員3600多家，注冊醫生人數20000多人，據CNNIC統計，2001年5月39健康網日均下載量已達到400萬，此后以平均每年2倍的速度遞增[2]。在健康知識需求者對知識的渴求以及健康知識貢獻者積極奉獻的循環下，網絡健康知識數量呈爆炸式增長，這也導致網絡健康領域知識良莠不齊且存在冗、多、雜的現象。用戶無法從海量健康知識中快速篩選以供自己所需，稀有的高質量回答也埋藏于海量問答貼中。現有的網絡知識組織以Web作為知識展示的窗口，通過HTML網頁提供基本的瀏覽和查詢功能，這是目前網絡知識組織表現的主要方式。但其缺乏可引導用戶挖掘知識的知識鏈接跳轉及從用戶需求出發的檢索方式，現有的健康領域知識組織體系已不能滿足用戶高效精準的需求。

知識單元作為知識的最小單位，可以描述問題驅動的知識組織方法及其特征[3]，問題驅動的知識組織方法有效避免傳統先組式知識組織解決問題的局限性，增強問題解決的針對性與高效性[4]。為更加高效進行健康領域知識組織，本文以用戶健康領域知識需求為切入點，搜集39健康網上以“糖尿病”為話題的問答貼，對健康領域知識進行以知識單元為基準的解構與知識鏈接的重構，尋求現有健康領域知識組織體系與用戶需求的矛盾點，為構建更具針對性、高效性的健康領域知識組織體系提供參考。

1相關概念

1.1知識單元

隨著知識管理和知識經濟的興起，作為直接控制和管理知識本身的知識單元逐漸進入研究學者的視角。1981年印度情報學家斯·科·森在“思想基因”的基礎上提出了“情報基因”概念[5]，其建議從基本概念、情報基因圖譜開始重建知識組織體系。我國學者劉植惠也在思想基因、情報基因的啟發下提出了“知識基因”理論，他認為知識基因理論主要由知識基因、公式法則、知識細胞、理論體系、遺傳方式、變異方式6個方面組成[6]。國外對知識單元的概念、類型等特征的研究主要集中在文獻知識單元領域。例如，AlaniH等對文獻知識單元的細粒度抽取進行研究，通過引入詞匯語義數據從而提高從文本中抽取知識的有效性，比較知識單元的不同技術算法，分析從不同的細粒度層面出發抽取知識單元存在的質量上的差別[7]。國內對知識單元的研究主要建立在概念及與之對應的關鍵詞或主題詞上。化柏林綜述了知識單元研究現狀，對知識單元的概念、特征、類型等進行了總結[8]。劉植惠認為知識單元包含了量化概念和非量化概念，是知識管理中不可分的最基本單位[9]。王知津等認為知識單元是任何知識組織的構建因素，知識單元是不可分割的概念[10]。廣義上的知識單元泛指知識的任何一種相對獨立的單元內容和形式，如1篇文獻、1本圖書等。狹義上的知識單元指知識在內容上不能再分解的基本單位，是構成系統知識的最小、最基本的組成因素[8]。

通過對國內外文獻的梳理發現，多數學者認為知識單元是知識管理和知識組織的單位，都是以知識單元作為知識組織的起點，但以用戶知識需求為源點將知識單元進行解構溯源從而指導現有知識組織體系的研究還很少。從以人為本的信息系統服務理念來看，一個不了解用戶需求的健康知識系統平臺如何能夠為用戶提供更具針對性、更有效的服務呢？因此，本文立足用戶需求，用關鍵詞法將健康領域用戶知識需求解構成對應知識單元，并以此為健康領域的知識組織優化提供建議。

1.2知識解構與重構

知識的解構和重構的研究主要集中在數字資源的知識解構與重構上。有學者認為數字資源的知識解構與重構，是指按照一定方法，將數字資源解構成知識單元以及知識單元之間的關聯關系，通過受控標引重新組織知識單元，然后以聚類組織實現知識重構的過程[11]。目前關于知識解構的研究還比較少，主要集中在教育學領域。為了提高教學效率，教育學領域的學者提出了知識解構法，指通過解構知識點從而高效有序地獲取學習材料中知識的方法[12]。知識解構在圖情領域已有相關研究，例如，周穎為了清楚地說明以知識單元為單位的知識檢索過程，設立基于文獻數字資源的知識解構和重構系統，并指出數字資源解構的目的是化整為零，被解構成知識單元及知識單元之間的關聯關系[11]。張成昱從理論的角度出發，將解構定義為把存儲在文獻中靜止的知識解析成具有足夠顆粒度的知識要素，還指出知識單元關聯關系是知識解構過程中必須保留的各種相關關聯關系，這是知識單元在檢索中相互之間的位置、因果關系的依據[13]。

綜上可見，研究學者們大多認為知識解構是文獻數字資源的細粒度解析，包括將其解構成知識單元或者其他要素及其之間的關聯關系，同時知識解構還應當包括解構的逆過程，即知識的重構。但目前圖情領域關于知識解構的研究重點集中在文獻數字資源領域，針對某一具體領域的知識解構研究較少。因此，本文以用戶需求為源點，在“健康中國”政策背景下，聚焦健康領域，將健康領域知識需求以知識單元及其關系為基準進行解構。

1.3知識組織與健康領域知識搜尋

知識組織于1929年由美國圖書館學家布利斯提出，被認作是一種行為或過程，主要包括知識單元（包括隱性和顯性）的序化以及知識關聯的挖掘。圖情領域的知識組織以網絡化知識組織系統（NetworkedKnowledgeOrganizationSystem，NKOS）為重點研究方向[14]。BudinG認為知識組織主要功能為組織和保存大量文獻、信息系統的組成等[15]。ZengML認為知識組織可以建造領域內知識模型，并可提供語義、導航和關聯，可以幫助用戶檢索和發現知識[16]。SmithT等研究者在傳統的知識組織基礎上，構建了特殊領域的針對性知識組織模型，并用可視化工具將其表示[17]。國內關于知識組織的研究主要集中在服務方面，王曰芬等研究了個性化的知識組織，提出了知識源、知識獲取、知識重組等個性化知識組織過程[18]。夏立新等為加強信息服務平臺服務質量，從政府角度出發，提出了構建用戶層、服務層、系統層、數據層4層結構挖掘知識，進行知識組織，實現知識共享[19]。王蘭成等提出了由知識定義、元數據管理、知識挖掘和知識存儲組成的知識組織框架，為文獻型異構數字信息群以及個性化服務提供了理論基礎[20]。

醫學與信息學的發展及融合促進了當代醫療環境和醫療模式的轉變，非醫學人士成為醫療信息的主要消費者[21]。根據醫學圖書館協會（MedicalLibraryAssociation，MLA）消費者和病人健康信息部門（ConsumerandPatientHealthInformationSec？tion）的定義，消費者健康信息（ConsumerandPa？tientHealthInformation，CHI）是與大眾、病患及其家屬有關的健康和醫學信息，它還指出消費者健康信息不僅包括描述疾病的癥狀、確診和治療的信息，還包括促進健康、預防性醫藥、影響健康的關鍵因素和訪問健康醫療系統等多方面的信息。在美國，“皮尤網絡與美國生活項目”的“健康搜尋者”（HealthSeekers）系列研究是關于在線健康信息的用戶研究中較為著名的研究之一，他們在2000年首次提出“健康搜尋者”的概念，調查發現有5000多萬美國“健康搜尋者”認為他們在因特網上所查到的健康信息對自己的醫療保健決策有直接影響，甚至改變了他們與醫生的溝通方式[22]。在國內，對健康信息搜尋行為的研究較為豐富，主要集中在大學生[23]和中老年人群體[24]。

通過以上研究發現，國內外學者從知識組織的概念、機制等理論對知識組織個性化服務、知識挖掘與知識可視化等進行了研究，并形成了較為通用的知識組織系統與方法。但在大數據時代，為了追求兼具高效性、人性化與實用性的服務，對特定領域，如健康領域的知識組織的研究還很少，因此，本文從現有健康知識組織體系入手，在知識單元視閾下，以用戶需求為源點，從基層設計健康領域知識組織過程，以期提高健康領域知識組織優化的針對性和有效性。

2研究設計

本文的目的是構建需求驅動下的健康領域知識需求的知識鏈接，據此對健康領域知識的解構與組織優化提出建議。基于知識單元解構的可操作性和嚴謹性，研究界定的知識單元為廣義的知識單元，即泛指知識的任何一種相對獨立的單元內容和形式。根據文庭孝提出的知識鏈接構建方法[5]，本研究主要分為3步：①知識單元及其屬性的抽取;②找尋各個知識單元間的相關關系;③鏈接具有相關關系的知識單元，形成知識單元鏈接圖，完成從知識單元到知識資源的鏈接轉換。

2.1數據收集

研究首先要在大量數據中抽取知識單元與特征詞。39健康網作為國內最專業、最大的健康門戶網站，其具有用戶多、醫生多、病癥全面、問答貼多且以用戶需求為導向等特點，為了保證構建的知識單元和知識鏈接具有代表性和專業性，本文以39健康網作為研究的數據獲取來源;在疾病選擇方面，由于糖尿病的患者群龐大、年齡跨度較大。該病分為Ⅰ型和Ⅱ型、可預防和不可預防兩種，具有病因病理復雜、術后護理時間較長等特點，且自2019年起，全球糖尿病患病人數不斷上升，平均增長率為51%，目前僅中國大陸糖尿病患者數就有約1？？298億[25]，因此，本文選擇糖尿病為研究切入點。雖然39健康網具有相對專業性、交互性強、數據繁多且豐富等特點，但是它是以醫生與患者間、患者與患者間借創建問答貼進行互動，存在數據分散的問題。

綜上，為確保數據檢索的查全率與查準率，本研究分兩步進行數據采集：①在39健康網的“糖尿病”子版塊導航下搜尋，找到糖尿病專欄17期內容，共85個專欄推送，糖尿病專題中共103個專題貼;②采用站內檢索方式，以“糖尿病”為關鍵詞進行檢索，排除兩種搜尋方式下交叉的重復問答數據，共檢索到100個問答貼數據文本，兩種搜尋方式均采用Python作為爬蟲工具。

截至2020年11月，共抓取3657個問答貼數據，根據問答貼標題、內容、回答評論是否與糖尿病相關，手動篩查出數據中存在的類似“抱歉，我也不知道”“沙發”“蓋樓”等無效數據1104條，最后得到有效研究樣本2553條。

2.2特征詞和知識單元抽取

2.2.1健康領域知識需求的特征詞抽取

特征詞抽取是基于收集的網頁信息，根據一定要求和規則提取一定量的特征詞，形成所需的特征詞集[26]。特征詞抽取有諸多要點，包括可區分文本內容、特征詞在類目中頻繁出現、具有可與其他數據區分的能力、數目適中等。本文是從用戶問答貼中篩選文本數據，基于用戶提問的問題，本文采用關鍵詞法抽取特征詞。TFIDF是一種特征抽取的加權技術，它常用于信息檢索和信息挖掘中的關鍵詞提取，該技術有兩層含義，一是詞頻（TermFrequency，TF）;二是逆文檔頻率（InverseDocu？mentFrequency，IDF）[27]。詞頻（TermFrequency，TF）指某一給定詞語在該文件中出現的頻率，TFx=詞條x出現的次數/該類中所有的詞條數目，詞頻越高，表示該詞權重越大且越重要。如癥狀類目提取的特征詞共100個，其中口渴出現3次，多尿出現15次，那么TF口渴=3/100=0？？03，TF多尿=15/100=0？？15，則TF多尿>TF口渴;逆向文件頻率（In？verseDocumentFrequency，IDF）是詞語普遍重要性度量，如果包含詞條t的文檔越少，IDF越大，則說明詞條t具有很好的類別區分能力。

IKAnalyzer是輕量級中文分詞工具包，包括細粒度和智能分詞兩種方法。考慮到研究是基于粒度原理對健康領域知識需求解構，所以本文使用IKAnalyzer并加以人工干預對所收集的文本數據進行中文分詞。結合Sogou詞庫的結構，首先將搜集的數據進行編碼，方便文本詞性提取，生成{詞項，TF，IDF}的詞項集合，完成詞性標注過程，包括名詞（N）、動詞（V）、形容詞（ADJ）、副詞（ADV）等，然后用特征詞計算器計算詞項TFIDF值，確定詞項的權重，把結果按照權重排序。本研究對2553個問答貼進行特征詞提取，共提取特征詞204個，篩查刪除數據文本中“嚴重”“特殊”“嗎”“一些”等缺乏實際意義的詞，共取前124個具有較高代表性的特征詞，如飲食、胰島素等，占總提取詞的60？？78%，具體如表1所示。

2.2.2健康領域知識需求的知識單元抽取

知識單元具有相互獨立、代表性強、數量較少等特點，本文是將收集的文本數據分類歸入不同類目下，生成健康領域知識需求的知識單元。在前文編碼過程中，使用劃分式聚類方法結合用戶需求，將2553個數據文本歸類，根據《醫學詞典》中的名詞劃分界定，將數據分為“病因病理”“預防知識”等12個大類。分類標準是首先將數據去中心化，根據聚類的可伸縮性、領域最小化、高維性等特性按用戶健康知識需求進行分類。如談及如何預防則歸類到“預防知識”類，涉及患病后如何生活、工作則歸為“生活工作影響”類，上述類目即解構用戶健康領域知識需求的知識單元，如表1所示。需要指出的是，同一特征詞可在不同類目下同時出現，例如“胰島素”一詞，它在“病因病理”類目里代表的是胰島素分泌受損，在“治療”類目里表示治療糖尿病的胰島素藥物，二者并不矛盾。

2.3需求驅動下健康領域知識單元之間共現關系分析

2.3.1知識單元頻次分析

在知識單元的可視化即構建知識鏈接中，知識單元出現的頻次決定知識單元的大小，知識單元之間是否存在關聯關系決定知識單元之間是否有線條鏈接[5]。分析知識單元的頻次與知識單元之間的共現關系是為了知識鏈接的構建。在編碼過程中，將健康主題類目抽取出來，確定知識單元頻次數量及所占總類目的比例，結果如表2所示。

2.3.2知識單元共現關系分析

知識單元間的關系叫作知識關聯，在建立知識鏈接的時候通過確定知識單元間是否有聯系來確定鏈接[5]。不同知識單元間存在著或強或弱的關系，它們通過特征詞的共現聯系起來。

知識單元的關聯是知識鏈接構建的前提，因此，本文在對所收集文本數據編碼的基礎上，計算特征詞共現頻次，統計完成后將特征詞間共現關系分屬到健康領域知識需求類目下。如用戶提問了“胰島素注射頻次”和“注射完胰島素之后應當注意的飲食”，這就是“治療”知識單元和“日常護理”知識單元的共現。對于12個類目分別進行共現頻次統計，共占總共現詞對的85？？93%，將其按照從大到小的方式排序。考慮到共現詞對的可視化效果，選取了前12組知識單元對進行研究，如表3所示。

2.4健康領域知識需求的知識鏈接構建

隨著信息導向向知識導向的轉變，以文獻單元為基礎的信息鏈接方式和以超文本為基礎的參考鏈接方式已不能滿足高效進行知識管理、知識組織的需要。在圖情領域，傳統信息組織方式、信息管理正逐步向知識組織、知識管理、知識可視化方向發展。知識鏈接能更為高效、靈活地抽取知識單元并對其進行可視化、規范化處理，揭示知識單元間的本質聯系，幫助用戶從一個知識單元精準地鏈接到與其相關的其他單元。因此，知識鏈接成為知識組織與知識管理的新趨勢。

知識鏈接是基于知識單元的邏輯性及相關性關系，通過知識關聯將具有相關關系的知識單元有序地組到一起，將知識單元及其關系有序可視化的行為[5]。Neo4j軟件是基于數學和計算機的“圖論”，其建立的圖模型可更加準確靈活地進行可視化展示，并可提供近似與數據規模無關的查詢可能，輸入特定查詢語言可快速精準地查詢到各知識單元的屬性及各知識單元間的鏈接關系。

本文在前文對知識單元頻次以及知識單元共現關系探究的基礎上，采用Neo4j軟件繪制健康領域知識需求的知識鏈接，并對其進行分析。具體繪制過程如下：首先，將不同的知識單元的編碼導入到？？CSV文件中，構建知識單元內的特征詞和各知識單元之間的共現關系，構建節點的代碼命令為Cre？ate（：知識單元名稱{name：″特征詞″}）;構建知識單元之間共現關系的代碼命令為Match（p1：′知識單元′），（p2：′特征詞′）create（p1）-[r：特征詞]->（p2）。以“并發癥”知識單元和“預防”知識單元下“飲食”特征詞的創建過程為例，分別如圖1和圖2所示：

共構建節點136個，關系鏈接138個，結果如圖5所示。圖3是在Neo4j數據庫中通過match語句查詢“診斷”知識單元所得到的關系示例;圖4是查詢“病因病理”知識單元所得到的關系示例，其中，不同節點代表不同類別的實體，如以診斷為中心的代表“診斷知識單元”，其指向的節點代表“診斷特征詞”;同樣地，以病因病理為中心的代表“病因病理知識單元”，其指向的代表“病因病理特征詞”。

在圖5中，“檢查”知識單元與“治療”知識單元存在著強性共現關系，表示用戶在搜尋信息時檢查類信息與治療類信息之間存在著較多的跳轉，即多數用戶在搜尋“檢查”類信息時存在著“治療”類信息搜尋的需要。所以在用Neo4j軟件構建知識鏈接時，將“檢查”知識單元與“治療”知識單元用線條鏈接起來，通過知識鏈接的可視化，可清晰簡明地看到實體之間的聯系。

3研究總結與建議

本文研究的是健康領域知識需求的知識單元解構與知識鏈接重構，因此，研究總結將從知識單元與特征詞的抽取、知識單元共現關系分析、知識鏈接構建3個步驟中提煉，并對健康領域知識需求的知識單元抽取和知識鏈接構建過程中的同一性與特異性進行分析。

3.1健康領域知識需求的知識單元抽取要以用戶需求為導向

在知識單元的探討中，大多數學者從知識單元本體出發，提出知識單元具有多維性、分合性、重組性、再生性的特點[28]。本研究也正是基于這些特點抽取健康領域知識需求的知識單元，在文本數據編碼分析、特征詞以及知識單元的抽取過程中，發現健康領域知識需求的知識單元具有領域的特異性。

健康知識領域不同于其他領域，在該領域中，大多數用戶都是從自身需求出發，對健康知識進行搜尋、存儲、利用，以此來解決他們的健康問題，提高健康素養。在收集的文本數據中，可以發現健康用戶存在以下問題：第一，39健康網是醫患共存、相對自由的健康知識交流平臺，多數用戶無論是發起問答貼還是回復問答貼都是以需求滿足為目的導向，比如“β細胞是否可以再生？”或者“Ⅰ型糖尿病如何預防”等。第二，用戶的健康素養普遍不高，從表2中可以看出，預防知識單元占2.98%，治療知識單元卻占到22.44%。從糖尿病的病因病理來看，Ⅱ型糖尿病是可以預防的，但是從用戶的問答貼來看，對于糖尿病還是屬于“治療大于預防”的態度。

因此，為了方便用戶可以更加精準地找到自己所需要的信息，結合用戶現有的健康素養水平，在抽取健康領域知識單元的時候應當從滿足用戶健康知識需求的角度出發，抽取的知識單元應具有需求導向性，以提高知識服務針對性與效率。

3.2基于知識單元間關聯關系來構建健康領域知識需求的知識服務系統

知識鏈接是通過知識關聯將知識單元整合，是對知識單元的重組與優化。在知識單元構成的知識庫中，將知識單元有序地連接起來，構成知識網絡。在知識網絡中，如用戶需查詢某特定知識單元，知識鏈接就可以幫助用戶跳轉到與原知識單元存在相關關系的其他知識單元，實現知識的附加增值。

在本文研究中，據表3可以看出，共現次數最多的知識單元對為“檢查—治療”（23.42%）與“日常護理—并發癥”（12.73%），即多數用戶在搜尋“檢查”知識單元的時候會有想獲取“治療”知識單元的需要，但是在39健康網上只有對“糖尿病”“心血管疾病”等病癥的分類導航，還沒有對知識單元之間的鏈接進行構建，這就使用戶在健康知識獲取時只能找到當前的特定知識，無法打包獲取與健康知識查找對象相關的知識群，現有的健康網站的知識組織中尚不能提供知識單元之間的鏈接與跳轉。

知識單元的共現關系，表明了用戶在搜尋完原知識單元之后極有可能會搜尋下一有關的知識單元。因此，在為用戶提供知識服務中，可以以健康領域知識需求的知識鏈接為參考，根據知識網中的知識單元本體與共現關聯建立知識導航欄。比如，在用戶搜尋“檢查”知識單元的時候，可以在該導航欄中提供跳轉到“治療”知識單元的鏈接，這樣就拓寬了用戶獲取知識的渠道，擴展和延伸了知識管理與知識服務的空間與范圍。

3.3結合健康領域知識需求的知識鏈接來促進群眾健康素養的提高

Neo4j軟件可以實現知識單元的知識鏈接繪制，將知識單元可視化表示，在最終繪制成的知識鏈接中，知識單元的節點、知識單元之間的鏈接關系、知識單元的屬性等都可以拖動并可對其查詢。通過圖5可以看出，健康領域知識需求的知識鏈接呈現“病情內沿知識單元鏈接緊密，病情外延知識單元鏈接稀疏”的趨勢。中心的知識單元為“治療”“檢查”“日常護理”“并發癥”等，這些知識單元分別與其他知識單元存在較強的共現關系;處在邊緣的知識單元為“情感心理”和“教育科研”，這兩個知識單元與其他知識單元的鏈接比較少。

結合在數據文本處理過程中專業詞匯用量較少、用戶對治療的態度大于預防的情況，可以發現用戶的健康素養普遍不高，這在知識鏈接圖中可以究其原因，結合表2和圖5：首先，多數用戶的搜尋局限在“治療”（22.44%）、“檢查”（11.44%）、“日常護理”（24.29%）、“生活工作影響”（14.10%）等知識單元，也就是知識鏈接圖中的中心部位，卻對“情感心理”（9.44%）、“教育科研”（1.80%）等知識單元的搜尋較少;很少用戶會先去搜尋預防病癥，只有在通過搜尋“日常護理”和“病因病理”知識單元的時候才會出現“預防知識”知識單元的共現。這表明多數用戶對健康知識的需求只是為了解決已經存在的病癥問題，對于疾病的“預防知識”“教育科研”知識單元專注較少。其次，“情感心理”“教育科研”這兩類知識單元與其他知識單元的鏈接不大，這表明搜尋這兩類知識單元的用戶并不是為了解決健康問題，只是為了了解專業性相關知識，對“糖尿病”的相關知識與心理情感進行研究，那么這些人可能是醫護人員、研究人員或者學者，從數據的分布情況來看，大部分的專業健康知識掌握在極少數用戶手中，可見，對大眾用戶的健康知識科普與健康素養的提高有待加強。

基于以上分析，從健康領域知識服務的角度出發，用戶個人要從微觀上加強健康知識的學習，提高健康素養;知識服務提供方要從中觀上構建基于知識鏈接的健康知識服務體系;政府與社會組織則要從宏觀上營造解決病患問題與提升用戶健康素養相適應的環境。

4結語

本文以中國最大的健康門戶網站39健康網作為數據收集來源，在知識單元抽取中根據粒度原理將健康領域需求知識解構成不同知識單元，結合文本挖掘與可視化技術繪制以“糖尿病”為代表的健康領域知識需求的知識鏈接;對健康領域知識需求的知識單元頻次、知識單元關聯、知識鏈接進行分析并得出結論，對健康領域的知識組織提出建議。研究健康領域知識需求的解構和重構，有助于了解用戶的健康知識需求偏好，為健康領域進行高效知識組織提供借鑒和參考。本文以“糖尿病”為例，雖在疾病的年齡層、病因病理復雜性上具有一定代表性，但難以涵蓋所有健康知識需求，對用戶的健康領域知識需求仍需借助更多具有代表性的疾病進行拓展與探究。