Accurate prediction of the health level of a user is a useful and promising technique involving many domains, such as medical analysis, user behavior understanding, industrial design, and human–computer interaction (HCI). User health level can be collaboratively determined by the interactions of physical/cyber companions within the same medical circle, since humans are generally considered social animals. Based on this observation, we propose a novel model for user health level categorization based on the intelligent fusion of medical evaluation results derived from multiple medically-aware social networks. More specifically, given the massive scale of Internet users, we are able to extract certain types of medical features to characterize user’s attributes from multiple sources. Initially, we construct a multiple affinity graph to describe a vast number of users’ relationships with each attribute. Afterwards, a graph-based clustering is conducted to group these massive number of users into multiple medically-aware social clusters. Based on these clusters, each user’s health status is determined by the user’s classified health level associated with his/her companions. Lastly, in order to combine the user health level from multiple attributes, a new multi-view medical attribute learning framework is presented. This framework automatically calculates the weight of each attribute. Comprehensive comparative studies on a real-world medical data set with millions of users have demonstrated the superiority and robustness of our approach.

准确预测用户的健康水平是一项有用且有前途的技术，涉及许多领域，例如医学分析，用户行为理解，工业设计以及人机交互（HCI）。由于人类通常被认为是社会动物，因此用户的健康水平可以通过同一医学圈内物理/网络同伴的互动来共同确定。基于此观察，我们提出了一种新的用户健康等级分类模型，该模型基于对来自多个具有医疗意识的社交网络的医学评估结果的智能融合。更具体地说，鉴于Internet用户的规模庞大，我们能够提取某些类型的医学特征以从多个来源表征用户的属性。原来，我们构造了一个多重亲和度图来描述每个属性与大量用户的关系。之后，将进行基于图的聚类，以将这些大量用户分组为多个具有医疗意识的社交聚类。基于这些群集，每个用户的健康状况由与其同伴相关联的用户分类健康等级确定。最后，为了结合来自多个属性的用户健康水平，提出了一种新的多视图医学属性学习框架。该框架自动计算每个属性的权重。对具有数百万用户的真实医学数据集的全面比较研究证明了我们方法的优越性和鲁棒性。进行了基于图的聚类，以将这些大量用户分组为多个具有医疗意识的社会聚类。基于这些群集，每个用户的健康状况由与其同伴相关联的用户分类健康等级确定。最后，为了结合来自多个属性的用户健康水平，提出了一种新的多视图医学属性学习框架。该框架自动计算每个属性的权重。对具有数百万用户的真实医学数据集的全面比较研究证明了我们方法的优越性和鲁棒性。进行了基于图的聚类，以将这些大量用户分组为多个具有医疗意识的社会聚类。基于这些群集，每个用户的健康状况由与其同伴相关联的用户分类健康等级确定。最后，为了结合来自多个属性的用户健康水平，提出了一种新的多视图医学属性学习框架。该框架自动计算每个属性的权重。对具有数百万用户的真实医学数据集的全面比较研究证明了我们方法的优越性和鲁棒性。最后，为了结合来自多个属性的用户健康水平，提出了一种新的多视图医学属性学习框架。该框架自动计算每个属性的权重。对具有数百万用户的真实医学数据集的全面比较研究证明了我们方法的优越性和鲁棒性。最后，为了结合来自多个属性的用户健康水平，提出了一种新的多视图医学属性学习框架。该框架自动计算每个属性的权重。对具有数百万用户的真实医学数据集的全面比较研究证明了我们方法的优越性和鲁棒性。