当前医患关系紧张一个很重要的原因是医患之间有效沟通太少,而线上评价系统是一种有效的医患沟通渠道。从长远看,对于医疗机构和医生提高服务质量、逐步缓解医患矛盾是有帮助的。它可以为患者就医选择医生提供参考,为医生聆听患者对诊疗的意见提供渠道,根据患者的评价与需求来改进工作,而医疗机构还可以根据患者对医生的整体评价状况来给予适当的奖惩,提升医院整体管理水平。但是单个医生的评价数可能就有成百上千条,一个医疗机构中成百上千的医生会拥有大量的患者评价文本信息,仅靠人工方法来处理和找出正、负面的评价进行分析,需要耗费大量的人力和时间。同时,大量的评价数据,无法为患者、医生以及医疗机构管理者等提供有效直观的信息。如何从中提取有价值的核心信息,也是亟待解决的问题。本文的主要工作是为某三甲医院设计并开发了一个基于深度学习的医疗后评价系统,整个系统采用MVC架构设计并开发,实现了线上评价的基本功能,并提出了一种面向字向量的医疗后评价情感分析方法进行评价文本的情感分析,将关键词提取技术应用于评价文本的数据分析,整合了评价信息资源,加速了该医院的医疗信息化建设,并同时在网页端和移动端为用户提供服务。本文的主要工作内容如下:1)设计并实现了医疗后评价系统。本文采用MVC设计模式搭建该医疗后评价系统,为患者、医生、管理员三种角色提供服务。在Web端实现用户评价、医患交流等基本功能,并在移动端为患者提供评价相关功能服务,提升了用户体验与系统的灵活性;将面向字向量的医疗后评价情感分析方法嵌入系统,实现评价情感倾向分析功能;结合评价数据的关键词提取,实现评价的分析与展示功能。系统采用的分层思想,降低了各模块之间的耦合度,令业务代码的逻辑更加清晰,也使得各功能模块的信息交互更为简便。2)提出了一种面向字向量的医疗后评价情感分析方法。该方法首先使用预训练好的字向量组成句子的特征矩阵作为卷积神经网络的输入,免除了传统词向量因分词误差,词法分析所带来的额外操作和文本噪音。利用反向传播算法训练模型,以梯度下降方法进行参数优化。在模型的训练过程中,进行池化操作时,以标点等分隔符将文本切分为不同部分,各部分单独使用池化层进行特征值最大化,从而保留句子中多个最大特征值,更好的捕获句子中所包含的情感信息。3)实现了评价数据的关键词提取。在对评价进行数据分析时,引入关键词提取技术,对医生大量的评价数据进行分类整理,提取患者对医生评价的核心信息,解决用户在参考海量信息时遇到的信息超载问题。根据提取出的关键词为每位医生生成特定的特点云图,云图中会根据特点关键词的大小表征各关键词的权重,为患者、医生及管理者提供关于患者对医生特点描述的直观展示。