基于LSTM网络的医院智慧服务舆情监控平台的制作方法

基于lstm网络的医院智慧服务舆情监控平台
技术领域
1.本发明涉及领域，具体是基于lstm网络的医院智慧服务舆情监控平台。


背景技术：

2.目前我国由于医疗资源的紧张以及配置失衡，导致大型医院的人流量巨大，导致大型医院的医疗服务水平难以提高，同时也进一步加剧了“医患矛盾”，所以通过对患者评论进行有效的分析以及监控是一种有效的方法，对于患者而言，将自己的治疗体验通过互联网传输到医院的服务平台可以反映医院存在的突出问题，对于医院而言，通过汇总和分析患者的评论，发现突出问题并采取措施加以解决，从而达到提高医院的医疗服务水平。
3.目前针对评论的情感分析方法，主要使用传统的概率分析类的算法模型例如朴素贝叶斯，或者使用snownlp中文文本处理库这种简单的模型等，他们针对不同的应用场景选择不同的模型以提高分析的准确率。但是医院评论涉及许多不同的场景例如医院的环境、护士的服务水平、医生的治疗水平等，无法全面的进行监控。因此，本领域技术人员提供了基于lstm网络的医院智慧服务舆情监控平台，以解决上述背景技术中提出的问题。


技术实现要素：

4.本发明的目的在于提供基于lstm网络的医院智慧服务舆情监控平台，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于lstm网络的医院智慧服务舆情监控平台，包括评论收集阶段、归类及数据转换阶段、模型搭建阶段和平台应用阶段：
6.s1评论收集阶段包括：通过app收集患者评论，其中包护士服务评价、医生治疗评价、医院环境评价等多方面的评价；
7.s2归类及数据转换阶段包括：通过提取关键字的方法收集的评论进行归类，对不同类别的数据进行转化，将数据转化为带标签的监督学习数据，同时将数据和对应的标签转化为3d数据，对转化后的不同类别的数据进行训练集和测试集的划分；
8.s3模型搭建阶段包括：平台中lstm网络模型的搭建、训练和调优；
9.s4平台应用阶段包括：平台的实际应用及应用情况反馈、调整。
10.作为本发明进一步的方案：所述s2归类及数据转换阶段分为以下子步骤：s201、通过s100步骤的app平台收集医院不同方面的评价数据，使用提取关键词的方法对评论数据进行归类；s202、将每条归类后的评论数据标注不同的标签，其标签为正面和负面，进而成为监督学习中的二分类数据；s203、将二分类数据中的评论数据以及标签分散为固定长度m的字符级别的特征，统计不同字符在数据中出现的次数；s204、将上述数据划分为90％训练样本集和10％测试样本集。
11.作为本发明再进一步的方案：所述s3模型搭建阶段包括：s301、在平台中创建一个lstm网络模型，其中该网络模型包含嵌入层embedding、lstm网络层、dropout防过拟合层和输出层；s302、提取s204步骤中划分好的训练样本集输入到创建好的lstm网络模型的嵌入
层embedding中；s303、嵌入层embedding将输入序列编码为维度为out_dim＝12的密集向量序列；s304、设置lstm网络层的神经元n_units＝50；s305、为了防止模型发生过拟合现象，该网络模型设置dropout层dropout＝0.5；s306、由于模型主要针对二分类问题，所以设置输出层的激活函数为softmax；s307、在模型中，定义损失函数为categorical_crossentropy，优化算法为adam算法；s308、将定义好网络模型应用于90％的训练样本集，对每个训练样本输出预测概率，与实际概率对比，得到交叉熵损失函数，其中categorical_crossentropy计算公式如下：公式中：y
i
和分别表示第i个样本的实际概率和预测概率，n表示训练样本集中的样本个数；s309、判断categorical_crossentropy是否满足要求，如满足要求则只需步骤st312，否则如不满足要求则执行步骤s313；s310、视为网络模型搭建成功，训练以及调优过程结束；s311、判断迭代次数是否超过规定次数，如果超过则修改迭代次数，如果没超过则执行s312；s312、视为模型的搭建不成功，修改网络模型初始参数，重复执行s308，直到categorical_crossentropy满足要求。
12.作为本发明再进一步的方案：所述s4平台应用阶段包括以下子步骤：s401、将平台的app的评论数据按不同类别经过转换传输到网络模型中预测评论是属于是正面或者是负面；s402、统计不同类别的预测结果并对其进行分析，得到医院服务所存在的问题；s403、根据s402统计和分析的结果，医院针对重点突出的问题采取措施，进而提高医院的服务水平，同时也改善了患者的就医体验。
13.为了进一步凸显本发明的有效性，通过平台中使用lstm网络模型和传统朴素贝叶斯模型以及snownlp进行预测，其中预测准确率见表所示，
[0014][0015]
证明本发明平台中的lstm网络模型预测效果优于其他两种方法，再一次证明该系统的可行性。
[0016]
与现有技术相比，本发明的有益效果是：本发明中，通过建立lstm网络模型对医院的总体环境、病房环境、就医流程、手术流程、住院流程、医生治疗水平、护士服务水平、医院卫生等与患者息息相关，且容易造成医患关系紧张的信息评论舆情进行监控，并将监控结果进行整顿、分析和汇总，进而将汇总结果传输至医院管理平台，便于医院针对重点突出的问题采取措施，进而提高医院的服务水平，同时也改善了患者的就医体验。
附图说明
[0017]
图1为本发明的流程示意图；
[0018]
图2为本发明中lstm网络模型结构组成图的示意图；
[0019]
图3为本发明中数据转化的流程示意图；
[0020]
图4为本发明中模型搭建的流程示意图；
[0021]
图5为本发明中平台应用的流程示意图。
具体实施方式
[0022]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0023]
请参阅图1～5，本发明实施例中，基于lstm网络的医院智慧服务舆情监控平台，包括评论收集阶段、归类及数据转换阶段、模型搭建阶段和平台应用阶段：
[0024]
s1评论收集阶段包括：通过app收集患者评论，其中包护士服务评价、医生治疗评价、医院环境评价等多方面的评价；
[0025]
s2归类及数据转换阶段包括：通过提取关键字的方法收集的评论进行归类，对不同类别的数据进行转化，将数据转化为带标签的监督学习数据，同时将数据和对应的标签转化为3d数据，对转化后的不同类别的数据进行训练集和测试集的划分；
[0026]
s3模型搭建阶段包括：平台中lstm网络模型的搭建、训练和调优；
[0027]
s4平台应用阶段包括：平台的实际应用及应用情况反馈、调整。
[0028]
其中，s2归类及数据转换阶段分为以下子步骤：s201、通过s100步骤的app平台收集医院不同方面的评价数据，使用提取关键词的方法对评论数据进行归类；s202、将每条归类后的评论数据标注不同的标签，其标签为正面和负面，进而成为监督学习中的二分类数据；s203、将二分类数据中的评论数据以及标签分散为固定长度m的字符级别的特征，统计不同字符在数据中出现的次数；s204、将上述数据划分为90％训练样本集和10％测试样本集。
[0029]
s3模型搭建阶段包括：s301、在平台中创建一个lstm网络模型，其中该网络模型包含嵌入层embedding、lstm网络层、dropout防过拟合层和输出层；s302、提取s204步骤中划分好的训练样本集输入到创建好的lstm网络模型的嵌入层embedding中；s303、嵌入层embedding将输入序列编码为维度为out_dim＝12的密集向量序列；s304、设置lstm网络层的神经元n_units＝50；s305、为了防止模型发生过拟合现象，该网络模型设置dropout层dropout＝0.5；s306、由于模型主要针对二分类问题，所以设置输出层的激活函数为softmax；s307、在模型中，定义损失函数为categorical_crossentropy，优化算法为adam算法；s308、将定义好网络模型应用于90％的训练样本集，对每个训练样本输出预测概率，与实际概率对比，得到交叉熵损失函数，其中categorical_crossentropy计算公式如下：公式中：y
i
和分别表示第i个样本的实际概率和预测概率，n表示训练样本集中的样本个数；s309、判断categorical_crossentropy是否满足要求，如满足要求则只需步骤st312，否则如不满足要求则执行步骤s313；s310、视为网络模型搭建成功，训练以及调优过程结束；s311、判断迭代次数是否超过规定次数，如果超过则修改迭代次数，如果没超过则执行s312；s312、视为模型的搭建不成功，修改网络模型初始参数，重复执行s308，直到categorical_crossentropy满足要求。
[0030]
s4平台应用阶段包括以下子步骤：s401、将平台的app的评论数据按不同类别经过
转换传输到网络模型中预测评论是属于是正面或者是负面；s402、统计不同类别的预测结果并对其进行分析，得到医院服务所存在的问题；s403、根据s402统计和分析的结果，医院针对重点突出的问题采取措施，进而提高医院的服务水平，同时也改善了患者的就医体验。
[0031]
本发明的工作原理是：本发明通过软件对医院服务舆情进行信息进行关键字、词识别，进而将舆情信息进行收集，收集后通过lstm模型进行数据分析，分析时，通过lstm网络模型内嵌入层embedding将输入序列编码维度为out
‑
dim＝12的密集向序列，其中网络模型这只dropout层中dropout＝0.5，进而通过激活函数softmax，并通过损失函数categorical
‑
crossentropy，通过上述计算公式计算出样本的实际概率和预测概率，进而通过实际计算概率和预测概率对舆情进行监控反馈。
[0032]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。