传染病疫情可自然传播也可人为导致,其流行隐蔽性、爆发性、全球不确定性是人类生命和健康的巨大威胁,也是全球公共卫生安全的重大挑战。特别是“新冠疫情”（COVID-19）的爆发,更使及时有效地识别疫情风险成为我国与世界其他国家和地区研究的公共卫生热点问题。在线健康社区作为用户活动的网络社区,覆盖有特定且集中的病患用户群,该群体因其病患特殊性所以产生的线上生成内容数据具有较高分析价值,有条件作为疫情风险识别来源。基于此,本课题主要从在线健康社区用户生成内容角度对疫情风险识别、面向社区用户的预警及干预机制进行研究,从而为响应“建立城市智慧神经末梢、提高风险信息感知与识别能力”号召、健全突发公共卫生事件应急机制提供帮助。研究工作主要有以下几个方面:首先是在线健康社区用户生成内容特征分析。基于社区数据,采用用户画像技术对社区用户特征进行了分析,构建了用户生成内容数据结构体系。结果发现:（1）与国内相比,国外社区用户生成内容的“个性化”特征更显著;（2）从用户生成内容关联的信息行为特点来看,社区信息行为包括信息披露行为、信息获取与搜寻行为等多种行为类型;（3）在用户生成内容数据结构方面,“丁香园”和“好大夫在线”等多数社区都会记录用户年龄、被关注数、粉丝数等数据,有助于实现疫情风险识别。其次是疫情风险识别模型的构建。首先,引入“基因突变理论”分析社区用户生成内容数据变化特征;然后,对疫情事件前后的数据特征变化规律进行分析;最后基于蒙特卡洛思想建立疫情风险识别算法,并且基于协整分析与向量的误差修正函数建立疫情风险识别模型,能够精准识别社区内潜在的疫情风险。再次是疫情风险识别模型的测试。将20家在线健康社区传染病或流行病板块在新冠疫情期间（2019年10月1日～2020年3月1日期间）所含83953名用户的382721条用户生成内容数据作为数据源开展疫情风险识别的实例测试,结果表明本研究所提出的疫情风险识别模型能够输出风险用户类别、风险指标及对应值、风险病原和风险地区等风险识别结果,具有较高的识别精度和有效性,可以基于风险识别结果为疫情防控工作提供建议。最后,疫情风险预警及干预机制研究。通过在线健康社区用户生成内容数据,构建了面向疫情风险的预警及干预机制。利用实例测试的数据集对预警和干预机制的介入效果进行仿真模拟,结果表明本文所提出的疫情风险预警及干预机制能够在理想状态下削弱疫情人数增长率,对于遏制疫情发展而言具有积极作用。本课题的创新之处主要在于:（1）在研究视角方面,将在线健康社区用户生成内容作为疫情风险识别的来源。（2）在研究方法方面,将生物信息学方法、数学建模方法和数据挖掘算法结合起来,提出了一种疫情风险识别新方法,有助于弥补现有疫情风险识别方法的不足,丰富疫情风险的感知手段。