在线健康社区活跃用户识别及其交互类型分析

发布时间：2021-08-09 16:58

　　[目的 /意义]在线健康社区作为用户进行医疗健康相关信息共享和问题解决的平台,其作用日渐显著,研究在线健康社区中用户交互行为的特征,对进一步发现在线社区用户交互规律和相关平台建设工作有一定的参考价值。[方法 /过程]利用数据挖掘相关工具获取在线健康社区用户交互行为信息,其中以百度贴吧鼻炎社区为例,并从用户自身和交互两个维度的相关指标出发,对活跃用户进行识别和分析。在此基础上,利用内容分析法对活跃用户评论内容进行编码,进一步划分用户交互行为类型。[结果 /结论]研究发现,用户交互行为可细分为预防、求助、症状、治疗、反馈、提醒、情感、离题8种类型。治疗类、求助类交互行为是百度鼻炎吧中主要的交互行为类型。鉴于以上研究结果,在线健康社区在今后的管理与运营中应该结合不同类型用户交互行为的特点,关注不同疾病用户的差异化健康信息需求,以适当方式为用户提供精准的、优质的信息服务。 

【文章来源】：文献与数据学报. 2020,2(01)

【文章页数】：13 页

【部分图文】：

研究设计

在线健康社区可以视为一个包含信息、用户和社区三个要素相互影响、相互依存的复杂系统，信息是用户参与交互行为和社区运行情况的记录；用户是在线健康社区的参与者、贡献者和管理者，用户产生、传播、获取、评价和使用健康信息；社区是用户线上活动的场所和用户间的信息交流空间[17]。在线健康社区中用户之间的交流和互动对于患者和社区均至关重要，在线社区由于用户之间的互动会提供给用户有效的健康信息，患者可以从其他用户得到生理和心理的支持和帮助。但是在线健康社区中不同用户的活跃程度差别较大，活跃度的高低影响着用户之间的交互行为，因此本文通过以上的数据指标对鼻炎贴吧的用户数据进行活跃用户的识别。首先利用wssplot函数来确定聚类分析中的类的最佳数目，得到组内平方和随着聚类个数变化图。如图2所示，从一类到三类变化时，组内的平方和有明显的下降趋势，三类以后，下降的速度减弱，表明聚成三类对于数据来说是一个很好的拟合，所以本文中取k=3。本文使用RapidMiner工具中的K-Means算法对处理后的用户相关指标数据进行聚类分析，最终得到的用户活跃度聚类结果如下：第一类用户90人，第二类用户1298人，第三类用户1417人。结果如图3所示：

本文使用RapidMiner工具中的K-Means算法对处理后的用户相关指标数据进行聚类分析，最终得到的用户活跃度聚类结果如下：第一类用户90人，第二类用户1298人，第三类用户1417人。结果如图3所示：K-Means用户指标质心结果如表2所示：

【参考文献】：
期刊论文
[1]在线健康社区用户参与行为的类型及偏好研究[J]. 张鑫.  情报资料工作. 2019(05)
[2]在线健康社区信息需求主题分析[J]. 唐晓波,李津.  数字图书馆论坛. 2019(02)
[3]微信群中会话网络结构及用户交互行为分析[J]. 李纲,王馨平,巴志超.  情报理论与实践. 2018(10)
[4]国内在线健康社区研究现状综述[J]. 赵栋祥.  图书情报工作. 2018(09)
[5]在线健康社区中用户回帖行为影响机理研究[J]. 刘璇,汪林威,李嘉,张朋柱.  管理科学. 2017(01)
[6]网络健康社区信息需求特征测度——基于时间和主题视角的实证分析[J]. 李重阳,翟姗姗,郑路.  数字图书馆论坛. 2016(09)
[7]基于文本挖掘的问答社区健康信息行为研究——以“百度知道”为例[J]. 邓胜利,刘瑾.  信息资源管理学报. 2016(03)
[8]用户在线参与的行为类型——基于在线健康社区的质性分析[J]. 周军杰.  管理案例研究与评论. 2016(02)
[9]微信用户活跃度影响因素分析[J]. 黄炜,李总苛,李岳峰.  湖北工业大学学报. 2015(06)
[10]用户认知对标签使用行为的影响分析——基于电影社会化标注数据的实证分析[J]. 林鑫,周知.  情报理论与实践. 2015(10)

硕士论文
[1]不同信任环境下社交网络用户影响力、活跃度及自我表露关系研究[D]. 霍英男.北京邮电大学 2015
[2]新浪微博与腾讯微博个人页比较研究[D]. 曹磊.华中科技大学 2012
[3]基于网络社区用户活跃度的研究[D]. 刘卉.上海师范大学 2012



本文编号：3332451