基于深度學習的醫患輿情多維演化仿真分析

譚 旭，吳 璞，蔣知義，鄒 凱，呂 欣

1.湘潭大學 公共管理學院，湖南 湘潭 411105

2.深圳信息職業技術學院 素質賦能中心，廣東 深圳 518172

3.國防科技大學 系統工程學院，長沙 410076

2021年3月11日，十三屆全國人大四次會議表決通過了關于國民經濟和社會發展第十四個五年規劃和2035 年遠景目標綱要[1]，提出全面推進健康中國建設，統籌發展和安全，建設更高水平的平安中國；加快數字化發展，建設數字中國。據《中國醫師執業狀況白皮書（2017年）》數據顯示，當前平安中國建設在醫療服務方面還不夠系統和完善，不同程度的醫療糾紛、醫患沖突等事件頻頻發生[2]。同時數字中國建設促進了互聯網應用的井噴式增長，但也掀起了網絡輿論的熱潮。根據中國互聯網絡信息中心（CNNⅠC）發布的第47次《中國互聯網絡發展狀況統計報告》，截至2020年12月，我國網民規模達9.89億，使用手機上網的比例達99.7%[3]。緊張的醫患關系和快速傳播的網絡載體助推醫患輿情的發酵和蔓延，影響整個社會的穩定和諧，亟待政府部門妥善解決。

當前許多學者對于醫患關系的法律制度構建[4-5]、管理模式探索[6-7]、傳媒傳播機理探究[8-10]、評價決策分析[11]等方面的研究較為廣泛。圍繞以醫患關系為主體的社交媒體網絡輿情分析的研究較為缺乏。隨著大數據、人工智能技術的爆發式發展，網絡輿情已成為衡量主流民眾表達情緒的晴雨表，能有效表征醫患關系的演化趨勢及內涵特點，因此對社交媒體平臺的文本進行情感分析能夠直觀地反映出網民的真實情感傾向。目前文本情感分析主要基于傳統機器學習[12-14]和深度學習方法[15-17]。由于傳統機器學習在情感分類任務中不能有效利用上下文文本語義信息，因此影響其分類的準確性。較之傳統的機器學習，BERT（bidirectional encoder representation from transformers）預訓練模型（pre-trained model）擺脫了復雜特征工程的束縛，通過注意力機制[18]使模型充分學習上下文語義信息，從而實現更精準的情感分類結果，并通過微調在自然語言處理的下游任務中取得較好結果，是目前應用最廣泛且效果顯著的深度學習預訓練模型[19]。

雖然BERT在情感分類任務上表現突出，但在主題維度的挖掘和時間序列數據的預測方面稍顯不足。為了多維度且更細粒度地探析情感演化，通過主題挖掘（topic mining）能夠從海量文本信息中識別出關鍵詞與核心主題[20]，其中LDA模型[21]能取得良好的主題挖掘效果且具有靈活的可擴展性[22-24]，適合與其他模型相結合。ARⅠMA模型是在ARMA模型[25]的基礎上進行差分處理建構的，其具有結構簡單、方便操作、預測速度快等特點，相對于其他時間序列預測方法更適合實際應用[26]。

綜上，為了深度理解我國醫患關系的演化趨勢和公眾的關注焦點，為政府部門健全醫患輿情風險預警與應對機制提供科學合理的實證分析結論。本文擬通過模型構建部分進行LDA-BERT 醫患輿情多維演化分析建模和ARⅠMA 時間序列預測建模。再通過實驗與分析，驗證模型的分類和預測效果，并從粗粒度和細粒度兩個層面對全國醫患輿情分布和年度醫患輿情演化進行深入剖析，得到醫患輿情地區、時間、主題、未來趨勢的多維度刻畫，最后給出實證分析結論。本研究契合政府部門對醫患輿情的現實管控需求，對構建和諧醫患關系、保持社會和諧穩定具有重要的現實意義。

1 模型的構建

為了深入剖析醫患輿情演化，本文分別從地區、時間、主題三個維度解析醫患輿情演化過程，并對醫患輿情的正負向情感及總的情感演化進行預測。如圖1為本文所構建的醫患輿情多維演化分析及預測模型框架。

圖1 醫患輿情多維演化分析及預測模型框架Fig.1 Framework of doctor-patient public opinion multi-dimensional analysis and prediction

1.1 LDA-BERT醫患輿情多維演化分析建模

為提升BERT 模型的情感分類精度以獲得高質量的輿情演化分析效果，增加BERT模型主題維度的語義信息，不僅從粗粒度層面直觀分析醫患輿情全國地區分布情況，而且從結合了主題的細粒度層面對年度醫患輿情的演化進行剖析，實現了對醫患輿情地區、時間、主題下的多維度分析。本文將LDA 模型主題抽取技術與BERT 模型予以融合，以期達到在不同主題下精確表征情感演化過程，包括LDA模型主題提取和BERT模型情感傾向識別兩個階段，具體流程如圖2所示。

圖2 LDA-BERT醫患輿情多維演化分析建模流程Fig.2 LDA-BERT modeling process for doctor-patient public opinion multi-dimensional analysis

針對文檔的主題提取，給定文檔集P={p1,p2,…,pN}，其中，pi(i=1,2,…,N)為若干詞條組成的文本，假設主題集為T={T1,T2,…,TL} ，詞語集為W={w1,w2,…,wM}。通過將文檔集中每篇文檔的主題以概率分布的形式給出，分別得到“文檔-主題”概率分布θp和“主題-詞”概率分布φt。其中，θp和φt分別滿足以α和β的超參數的Dirichlet分布，如式（1）和式（2）所示：

其中，Γ(?)為Gamma函數，θp,l表示主題Tl在文檔p中的概率分布，φl,m表示詞語wm在主題Tl中的概率分布。

利用Gibbs 采樣，可得到“文檔-主題”概率θp,l和“主題-詞”概率φl,m，如式（3）和式（4）所表達：

其中，表示詞語w被分配給主題Tl的頻數，表示文檔p分配給Tl的詞語數。

而后為了實現情感的識別，本文擬采用如圖3所示的BERT[16]模型，主要包含輸入層、雙向Transformer 編碼層和輸出層。BERT模型輸入時會在詞向量表示的文本的句首前添加字符[CLS]，句尾后添加字符[SEP]，并用[MASK]進行句中內容的隨機遮蓋。在初始詞向量的基礎上，通過Token、Segment 和Position Embeddings 疊加嵌入來增強表達，充分刻畫每一個Token與句子的特征。基于雙向Transformer 架構的編碼層，能夠充分學習文本語義與上下文之間的語義關系。再引入注意力機制，對文本特征進行提取，將獲取到的特征信息進行如式（5）所示的加權處理：

圖3 BERT情感分類模型Fig.3 BERT model for sentiment classification

其中，Q、K、V為輸入向量矩陣，dk是輸入向量K的維度大小。通過softmax 函數進行歸一化處理，得到當前單詞在每個句子中每個單位位置的表示程度，并對V進行加權。特征信息的權重越大，表明其在情感分類任務中越重要。BERT模型在輸出時的文本語義融合了整個文本上下文的語義信息。本文在BERT 原有模型的基礎上，在下游任務中構建了情感分類器，用于執行情感分類任務（如表1 所示）。每個文檔記為：{pi,score：{Ep(pi),En(pi)},label:E′(pi)}，其中pi為第i個文檔，score為情感傾向值，label為該文檔的情感傾向標簽。

表1 情感分類器的標簽設置Table 1 Label setting for sentiment classifier

由此，改進后的LDA-BERT多維演化算法模型步驟如下：

步驟1數據預處理與語料集詞典構建。輸入醫患輿情文本語料集P，對語料集P進行分詞、去停用詞等預處理，構建語料詞典。

步驟2LDA主題數確定及主題抽取。通過計算不同主題個數并結合可視化來進行文本主題分類，確定LDA主題最佳個數K。通過主題抽取得到每一個文檔pi對應的主題Tl的“文檔-主題”概率分布θp,l、每一個主題Tl對應的詞語wm的“主題-詞”概率分布φl,m，確定文本語料集中文檔所屬的主題及各主題下的詞語分布。

步驟3進行BERT 的輸入表征和情感分類器構建。輸入標注語料集L，通過BERT模型將輸入語料進行文本的向量化表示，句首添加字符[CLS]、句尾添加字符[SEP]、字符[MASK]在句中以一定概率隨機出現；然后執行MLM（masked language model）、NSP（next sentence prediction）任務；預訓練模型的損失主要在MLM、NSP中，因此兩個任務聯合學習的損失函數如式（6）所示：

其中，θ是BERT中Encoder部分的參數，θ1、θ2分別是兩個任務中的Encoder 參數；基于標注數據集對BERTbase預訓練模型下游任務中加入新的處理類，用于執行SC（sentiment classification）任務。

步驟4BERT 情感分類深度預訓練和微調。設置預訓練和微調階段參數：學習率、epoch訓練次數、batch大小、最大序列長度、初始化參數等。為避免訓練過程出現過擬合現象，采用Adam算法計算最佳學習率。輸出epoch訓練結果并遷移至微調模型中，輸入語料集P，經過下游SC 任務計算出各語料集中每個文檔pi的情感傾向信息{pi,score:{Ep(pi),En(pi)},label:E′(pi)}。

步驟5將步驟4 中的每個文檔pi的情感傾向信息中添加地區標簽得到{pi,score:{Ep(pi),En(pi)},label:E′(pi),location}從粗粒度層面對全國醫患輿情分布進行分析；將步驟2中生成的“文檔-主題”分步添加到每個文檔pi的情感傾向信息并融入各文檔對應的時間標簽得到{pi,score：{Ep(pi),En(pi)},label:E′(pi),theme,time}，并從細粒度層面對年度醫患輿情演化進行剖析。

1.2 ARIMA醫患輿情時間序列預測建模

根據1.1節步驟5中的每個文檔pi的情感傾向信息，分別構建時間序列總文本集XSUM={time,Num(pi)}，正向情感時間序列，負向情感時間序列，時間是按年份/季度來計量的。假設X={X1,X2,…,Xt}，為得到平穩時間序列進行差分處理，那么Xt的d階差分Yt=(1-B)dXt，其中B為滯后算子。Yt服從ARMA(p,q)模型，則Xt是符合ARIMA(p,d,q)模型過程的。自回歸過程如式（7）所示：

其中，Yt為時間序列文本集Xt的差分值；μ1,μ2,…,μp為該方程的自回歸系數；ut為服從均值為0、方差為σ2的正態分布且在不同時刻的值互不相關的白噪聲過程；滑動平均過程如式（8）所示：

其中，δ1,δ2,…,δq為該方程的滑動平均系數；γt為白噪聲序列。

由此可得到ARMA模型數學表達式（9）：

ARⅠMA時間序列建模分析步驟如下：

步驟1拆分訓練集和測試集。對構建的醫患輿情時間序列X（包括時間序列總文本集XSUM、正向情感時間序列Xp、負向情感時間序列Xn）均拆分為以2016年至2020年的數據為訓練集，2021年1月至6月的數據為測試集。

步驟2時間序列平穩性檢驗。對非平穩醫患輿情時間序列X，經過d次差分得到平穩時間序列Yt。

步驟3ARⅠMA模型的識別與定階。根據自相關函數（ACF）與偏自相關函數（PACF），初步識別模型中p與q的可能取值。再基于AⅠC 準則、BⅠC 準則和HQⅠC準則進行模型定階，計算出各自對應的值，選取三者值達到最小的那一組作為理想階數ARMA(p,q)。

步驟4白噪聲與相關性檢驗。對差分后的平穩序列進行純隨機性檢驗，判斷序列是否為白噪聲序列。并對ARMA(p,q)模型所產生的殘差做德賓-沃森（D-W）檢驗，判斷殘差的自相關性。

步驟5模型參數估計。采用最小二乘法估計模型的參數μ和δ，對t+1 時刻進行預測，公式如式（10）所示：

步驟6檢驗模型性能。用測試集對模型預測結果進行檢驗，計算總發文量、正負向情感的平均絕對百分比誤差（MAPE）[27]和對稱平均絕對百分比誤差（SMAPE），由此分別計算三者的平均誤差率。

2 仿真實驗分析

2.1 數據來源

為深度探析近年來醫患關系現實情況及醫患輿情演化趨勢，本文以新浪微博社交平臺為數據源，構建基于Python 的網絡爬蟲框架。在遵循網絡爬蟲規則的前提下，通過高級搜索在“醫患關系”“暴力傷醫”話題下爬取了2016 年1 月1 日至2021 年6 月10 日的發帖和評論內容，共計99 841條。經過數據預處理后最終得到數據81 203條，即醫患輿情文本語料集P為81 203條。對醫患輿情文本語料集進行詞云圖可視化，如圖4 所示，發現醫患輿情主要聚焦于暴力傷醫、醫患關系、醫者仁心、傷醫事件等方面。預訓練語料集L來自新浪微博公開正負情感標注數據集約12萬條（正負向情感標注各6萬條），按9∶1∶1 的比例將預訓練語料集L拆分為訓練集95 991條，測試集12 000條，驗證集12 000條。

圖4 醫患輿情主題詞詞云Fig.4 Theme word clouds of doctor-patient public opinion

2.2 全國醫患輿情分布

為剖析醫患關系的本質，本文從宏觀維度以近6年的醫患文本數據為切入口，呈現我國醫患關系在全國范圍內地區分布差異性及其正負向情感偏向程度，利用LDA-BERT 醫患輿情多維演化分析模型進行粗粒度層面的分析。根據1.1 節算法中的步驟3 在BERT-base 模型的基礎上構建BERT 情感分類器，輸入語料集L，執行步驟4 預訓練過程，設置初始學習率為2E-5，最大序列長度為128，epoch訓練次數為30次。通過訓練迭代了8 999步得到模型的AUC值為0.979 2，loss值為0.06。為對比本文算法的情感分類效果，采用文本情感分類經典模型TextCNN作為分類基線模型。基于2.1節語料集L進行訓練，訓練結果如表2所示。通過實驗對比能夠清晰地看出，LDA-BERT情感分類模型效果突出。

表2 情感分類結果對比Table 2 Comparison results of sentiment classification

由此，將訓練好的模型遷移到情感分類微調模型中，輸入醫患輿情文本語料集P。通過模型進行情感值計算和情感極性分類。找到語料集P中各文檔對應的ⅠD 建構新的URL 來獲取對應的地區標簽，并將標簽與各語料集中每個文檔pi的正向情感值Ep(pi)和負向情感值En(pi)對應，可以得到時空維度下全國醫患輿情分布情況，分別如圖5、圖6所示。

圖5 正向情感全國地區分布圖Fig.5 Regional distribution map of positive sentiment

圖6 負向情感全國地區分布圖Fig.6 Regional distribution map of negative sentiment

如圖5 和圖6 分別為全國34 個省份的醫患輿情正負向情感地區分布情況，其中，圖5 能夠直觀看出貴州省在醫患輿情上表現最突出的積極情緒，其次是黑龍江省。圖6 能夠清晰看出最具消極情緒的微博用戶多分布在甘肅省，其次為遼寧省和寧夏自治區。醫患輿情在地區分布上具有明顯的差異性，地區間的差異影響著公眾對醫患關系的認知，進而影響著醫患關系的發展。因此，對于醫患輿情管控方面，針對地區差異要有所側重。對于地區間的醫療資源的不均衡，也應有所調整。

2.3 年度醫患輿情演化

為更細膩地刻畫近6 年來國內醫患關系的變化細節，借助本文LDA-BERT混合模型的多維度智能分析和可視化呈現，從網絡輿情的視角探尋總體情感極性的演化情況，如圖7所示。根據1.1節算法的步驟1進行數據預處理，采用中文停用詞表、哈工大停用詞表、百度停用詞表、四川大學機器智能實驗室停用詞表進行更為精確的停詞處理。將生成的詞典經過doc2bow 計算每個不同單詞出現的次數，將單詞轉化成整數ⅠD，并將結果作為稀疏向量返回，生成語料。訓練TFⅠDF模型[28]并生成TFⅠDF 矩陣，選擇α=‘auto’，β=0.01 的先驗參數，對LDA模型進行訓練，經過迭代計算，K=4 時，困惑度最小，主題數最優。結合gensim調用api實現LDA的可視化交互分析。通過pyLDAvis 可視化得到圖8 主題分布情況。驗證主題數K=4 時主題抽取分布較為均勻合理。圖8 中左側部分表示醫患輿情語料集的四個主題分布，圓的大小表示每個主題出現頻率的大小，圓與圓之間的距離遠近表示主題間的相似性，可以看到主題4與其余三個主題之間距離較近，關系較為密切。圖8右側部分表示λ=1 時四個主題中排名前三十的詞語分布。其中λ越接近1，詞語與主題的相關性越高。從圖中可以發現，與主題最為密切相關的詞語主要集中在四個層面：醫患主體層面，如“醫生”“醫院”“患者”等；法律懲治層面，如“律師”“法律”“嚴懲”等；醫療糾紛層面，如“醫療”“醫鬧”“看病”等；新聞報道層面，如“新聞”“衛健委”“人民日報”等。抽取各主題下排前10的詞語，得到醫患輿情“主題-詞”分布，見表3所示。

表3 醫患輿情的“主題-詞”分布結果Table 3 “Theme-word”distribution of doctor-patient public opinion

圖7 不同年度下醫患輿情總體情感極性演化趨勢Fig.7 Sentiment evolution trend of doctor-patient public opinion in different years

圖8 主題分布尋優結果Fig.8 Optimization results of theme distribution

根據表3，按照概率大小分布，主題1概率最高的關鍵詞是“醫生”，主題2概率最高的關鍵詞分別為“醫療”“患者”，主題3、4概率最高分別為“醫院”“醫患”。將四個主題分別命名為“醫生”“患者”“醫院”“醫患關系”。

為了時序地演化醫患輿情發展態勢，分析不同主題下的情感趨勢分布如圖9 所示。在四個主題的整體趨勢上，輿情情感呈波動狀態，在2019年第四季度和2020年第一季度正負情感都處于較高態勢，在2020 年第二季度之后正向情感開始高于負向情感，與2019 年底爆發的新冠疫情有關，疫情期間對于醫護人員支援武漢的各種正面報道，給公眾重新樹立起醫護人員醫者仁心、無私奉獻的形象，對于緩解醫患關系具有重要意義，因此在疫情之后醫患輿情首次出現正向情感高于負向情感。各主題在2017年第四季度情感差異較為明顯。其中，“醫生”主題下正負情感相近，“患者”主題下正負情感差異最為明顯，“醫院”主題下和近年的趨勢較為接近，“醫患關系”主題下正向情感態度最低。這說明公眾對于“患者”與“醫患關系”持消極態度，主要是對于患者襲醫傷醫造成各種醫鬧事件的不滿。

圖9 不同主題下醫患輿情情感演化趨勢圖Fig.9 Sentiment evolution trend diagram of doctor-patient public opinion under different themes

為探析各年度主題詞分布，對2016—2021 各年度進行主題詞抽取并進行詞云圖可視化分析得到圖10。由圖10中近6年來主題詞詞云展示，將各年度主題分別歸納為：法治監管、醫鬧傷醫、病人救治、醫療糾紛、護醫措施、理解醫生。發現醫患關系中的關注主體由對患者主體的關注轉為對醫生主體的關注。結合年度整體情感演化趨勢（圖7）不難發現，公眾對于醫患關系的關注與重視是呈現波動上升的，而對于醫患關系的情感糾葛從開始的“醫鬧傷醫”“醫療糾紛”到最近的“保護醫生”“理解醫生”是趨于緩和的發展態勢。同時，各年度主題也反映了在醫患關系中需要在法律層面和護醫措施上作出改進。

圖10 2016—2021年度醫患輿情主題詞云分析結果Fig.10 Theme word cloud analysis results of doctor-patient public opinion from 2016 to 2021

2.4 醫患輿情情感預測分析

為進一步探尋醫患輿情情感演化態勢，通過對醫患輿情情感走勢進行科學合理的前瞻和預判，幫助政府部門更好地管控社交媒體平臺的網絡輿情，從而為制定相應輿情防范策略提供合理的理論參考。根據1.1節算法中的步驟5，得到時間維度上的輿情情感分析結果，代入1.2節算法中的ARⅠMA模型進行預測，確定不同參數下預測效果，分別計算平均絕對百分比誤差（MAPE）和對稱平均絕對百分比誤差（SMAPE），如表4所示。由此確定ARⅠMA模型的階數為（1，1，0）時，誤差最小。總發文量預測的MAPE值為9.46%、SMAPE值為14.15%，正向情感預測的MAPE值為11.15%、SMAPE值為14.82%，負向情感預測的MAPE 值為6.72%、SMAPE 值為11.2%。由此得到醫患輿情預測模型的平均誤差率不超過11.25%，三者的預測趨勢如圖11所示，可以發現預測結果與真實結果雖然存在一定范圍的滯后性，但是整體的演化趨勢是一致的，能夠較好地預判醫患輿情未來發展趨勢。

表4 不同參數下醫患輿情情感預測誤差對比Table 4 Sentiment prediction error comparison of doctor-patient public opinion under different parameters

圖11 醫患輿情情感預測對比分析Fig.11 Comparison analysis of sentiment prediction for doctor-patient public opinion

根據圖11 可以看出，總發文量與正負情感驟升的區間為新冠疫情暴發時期，其余區間數據總體上在一個范圍內波動，但2021 年之后預測的趨勢仍然處于緩慢上升態勢。對比圖11（b）與（c）發現，醫患輿情負向情感從高于正向情感到逐漸趨于持平，差距逐漸減小，說明醫患關系有緩和跡象，但醫患關系依舊是一個亟待解決和關注的問題。

3 結語

本文圍繞醫患關系這個國內持續討論的熱門話題展開研究。從網絡輿情的角度獲取互聯網復雜語境下大規模醫患輿情文本數據，通過構建LDA-BERT-ARⅠMA混合深度學習模型來探尋醫患輿情的多維度演化過程，并從粗粒度和細粒度兩個維度深度剖析了醫患輿情在不同地區、主題、時間層面的情感演化趨勢并進行未來情感走勢預測。本文能夠較為完整地展現2016 年至2021 年醫患輿情情感演化和公眾對于醫患關系話題下重點關注的主題。實證分析表明：（1）從地區分布來看，醫患輿情地域分布上的情感差異明顯，政府部門可根據地區特色進行針對性干預和監管。（2）從主題分布來看，醫患輿情關注焦點在法治監管、醫療糾紛、護醫措施等層面，相關部門在法制監管的力度和廣度方面還需加強，對于護醫措施方面應明確公安機關、醫院、醫生和患者不同主體的責任與義務。（3）從輿情的演化與預測來看，未來一段時間負向情感與正向情感差距適當減少，醫患關系有緩和跡象，但仍需重視和監管負向情感輿情態勢。