【技术实现步骤摘要】
一种可解释的社交媒体用户的抑郁情绪风险评估方法
[0001]本专利技术涉及一种可解释的社交媒体用户的抑郁情绪风险评估方法,属于负面情绪的筛查
技术介绍
[0002]心理健康是健康的重要组成部分,而抑郁情绪是最普遍的负面情绪。根据世界卫生组织的报告显示,全球有超过2.64亿的人们受到抑郁情绪的困扰,且有超过100万人因为抑郁情绪而自杀。虽然有很多有效的方法可以缓解抑郁情绪,但受到困扰的人们由于羞耻等原因大多没有在第一时间寻求帮助。研究表明,抑郁情绪风险的检测和相应的主动干预是预防自杀行为和减轻经济负担的关键。
[0003]利用社交媒体数据检测具有抑郁情绪风险的用户是当前的主流方法。全球有46.2亿社交媒体用户,相当于世界人口58.4%,而且社交媒体允许用户创建和分享各种用户生成的内容,比如文本帖子和评论,这为健康分析带来了前所未有的潜力。在社交媒体中检测出潜在的抑郁情绪用户后,平台管理方可以个性化推荐一些有帮助的在线资源(例如科普文章和视频)以及提供社会支持(例如情感支持)。
[0004]社交媒体抑郁情绪风险用户检测方法的适用任务场景是利用输入的用户帖子文本数据训练出有效的抑郁情绪风险/无抑郁情绪风险二分类模型(检测模型),然后使用训练好的模型输出目标用户的分类结果,如图1所示。图中的检测模型是技术改进的对象,目的是为了提高各种检测性能,包括精准率、召回率和运算速度等。现有的社交媒体抑郁情绪风险用户检测方法主要包括基于机器学习和深度学习两类。
[0005]基于机器学习的检测模型可以学习 ...
【技术保护点】
【技术特征摘要】
1.一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于该方法的步骤包括:S100:建立用户数据库并将建立的用户数据库中的用户数据按照6:2:2划分为训练集、验证集和测试集;S200:构建基于多时间尺度的原型学习网络MSTPNet;S300:使用步骤S100中的训练集对步骤S200中构建的基于多时间尺度的原型学习网络MSTPNet进行训练,使用步骤S100中的验证集和测试集选择最优的模型参数,得到分类模型;S400:输入待评估用户的历史发帖数据到步骤S300中得到的分类模型,获得待评估用户是否存在抑郁情绪风险。2.根据权利要求1所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述步骤S100中,建立的用户数据库为D={(X
(u)
,T
(u)
,y
(u)
)|u=1,2,
…
,|U|,其中,y
(u)
表示用户是否有抑郁情绪风险,当y
(u)
=1时代表用户有抑郁情绪风险,当y
(u)
=0时代表无抑郁情绪风险;u表示社交媒体用户样本;表示每个社交媒体用户样本所有已发布的帖子文本;|U|表示用户数量;表示帖子文本的发布日期。3.根据权利要求1或2所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述步骤S200中,构建的基于多时间尺度的原型学习网络MSTPNet包括聚类层、嵌入层、原型层、聚合层和分类层。4.根据权利要求3所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述聚类层是将邻近时间发布的帖子聚到一起,聚类大小取决于预先设定好的阈值即帖子发布时间的最大间隔。5.根据权利要求4所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:对于用户u=(X1,t1;X2,t2;
…
;X
N
,t
N
),聚类层将转换u为(C1,C2,
…
,C
m
):(C1,C2,
…
,C
m
,
…
,C
M
)=clustering(u)C
m
=(X
m,1
,X
m,2
,
…
X
m,l
,
…
,X
m,L
)使用的聚类方法是层次聚类法,并给予阈值h来确定聚类数量。6.根据权利要求3所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述嵌入层是将每个帖子文本转化为计算机可处理的向量表示形式,对于一个帖子X
m,l
,嵌入层将其转换为嵌入向量H
m,l
:H
m,l
=BERT(X
m,l
)。7.根据权利要求6所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:
所述帖子文本的编码器为BERT
‑
base
‑
Chinese预训练模型。8.根据权利要求3所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述原型层是学习抑郁情绪表现原型,计算用户在不同时间区间或簇中与各个原型的最高相似度,原型层包括K个待学习的嵌入向量P
k
,与帖子嵌入向量H
m,n
有相同的长度。9.根据权利要求3所述的一种可解释的社交媒体用户的抑郁情绪风险评估方法,其特征在于:所述分类...
【专利技术属性】
技术研发人员:颜志军,邝俊伟,谢佳亨,尹秋菊,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。