在线医疗咨询是医患诊疗的重要方式之一,尤其在新冠肺炎呈现全球爆发趋势的近期,为了降低普通患者院内感染的风险,在线医疗咨询成为了越来越重要的就医方式。由于这种线上医疗方式的信息传递渠道相较于线下医疗方式更为有限,因此在线医疗咨询非常依赖于医生的沟通,目前广泛推荐医生使用的一种沟通风格是“以患者为中心的沟通风格（Patient-centered communication,PCC）”。为了进一步优化网络健康服务效能与服务管理、提升在线诊疗效果,有必要开展在线医疗情境下的PCC沟通风格自动识别研究。由于沟通风格识别的复杂性较高,目前常用的医患沟通风格识别方法主要有“使用标准化患者直接进行观察和总结”、“患者或医生的自评问卷”、“量表分析”、“交互分析系统”等。以上这些识别方法,要么不是以客观对话为分析对象,不适用于在线医疗情境下的研究;要么虽然是以客观对话为研究对象,但识别方法停留在手工编码阶段,分析效率不够。针对以上现状,本文提出了一种基于三维特征融合的在线医患沟通风格自动识别模型。本模型的构建包含文本集的获取与标注、文本结构化表示和分类器的学习优化三个步骤。（1）关于文本集的获取与标注,本文选定在线健康网站上的医患沟通数据为处理对象,并在界定PCC内涵要素的基础上制定了PCC类文本的标注示例,请两位专家单独为医生对话文本进行标注。（2）关于三维特征融合的文本结构化表示,本文在对PCC类文本进行语义特征分析的基础上,从词汇特征维度、句子特征维度、会话特征维度三个方面细化构建能表征医生对话文本的子特征;并依据向量空间模型基本思想进行特征融合,从而得到“三维特征融合的文本表示模型”。（3）关于分类器的学习和优化,本文利用基于聚类中心最近邻的欠采样方法得到的均衡样本集进行SVM算法的训练与优化,以获得具有最佳性能的分类器。基于真实在线医患会话大数据开展的对比实验,证明了本模型的有效性。模型检验结果表明:三维特征文本表示模型的F1值要优于普通文本表示模型;SVM分类器的F1值要显著优于朴素贝叶斯分类器、KNN分类器和C4.5决策树分类器;且当词汇扩展特征的置信度阈值为0.7、分类算法为SVM时,模型具有最好的识别效果,其F1值为0.941。本研究可促使在线健康社区行为以及医患沟通风格理论深化发展,并可为网络健康服务优化与服务管理提供方向指引和科学依据。