發(fā)布時間：2021-12-23 10:00

　　抑郁癥是一種典型的慢性精神疾病,它的顯著特征為情感上的消極傾向和行為上的自殺傾向。據(jù)近年來公布的報(bào)道顯示,目前全球4.3%人口正遭受抑郁癥折磨。其中中國有五千萬多人患有抑郁癥,占總?cè)丝诘?.2%,患病率達(dá)到6.1%,自殺率占自殺總?cè)丝诘?0%。但是由于個人和社會發(fā)展等因素,當(dāng)前抑郁癥識別率低于10%。如何提高識別率是當(dāng)前我國抑郁癥治療急需解決的問題。隨著社交網(wǎng)絡(luò)平臺的發(fā)展,越來越多的抑郁癥患者將微博作為表達(dá)自我的一種途徑,這些通過微博記錄的日常生活軌跡中蘊(yùn)含大量的患者病情信息,為抑郁癥的識別提供了新的思路�；诖颂岢鲆环N基于微博文本和深度學(xué)習(xí)的抑郁癥識別算法,既有效地規(guī)避了當(dāng)前抑郁癥識別存在的問題,又為醫(yī)務(wù)人員主動發(fā)現(xiàn)和救助患者提供了支撐。本文的主要研究內(nèi)容包括:（1）構(gòu)建了抑郁癥領(lǐng)域詞典庫:綜合分析抑郁癥微博情感和行為的共性特征,結(jié)合通用知識庫和實(shí)驗(yàn)語料庫,采用兩種語義相似度算法構(gòu)建了抑郁癥領(lǐng)域詞典庫,涵蓋了情感詞典、表情符號詞典、關(guān)鍵詞詞典等,彌補(bǔ)了該領(lǐng)域詞典的空缺;（2）數(shù)據(jù)預(yù)處理:通過對原始數(shù)據(jù)去隱私、分詞、去噪等預(yù)處理操作形成實(shí)驗(yàn)語料,提取了與抑郁癥緊密相關(guān)的詞典特征、語義特... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

常見通用情感詞典Figure1-1GeneralEmotionalDictionary雖然通用情感有詞典規(guī)模大、通用性強(qiáng)、領(lǐng)域廣、準(zhǔn)確率高等優(yōu)勢，但是領(lǐng)

北京工業(yè)大學(xué)工學(xué)碩士學(xué)位論文入、隱藏、輸出三層。CBOW 的基本思想是：利用上下文語境預(yù)測目標(biāo)詞的，如公式（2-1）。其輸入層為上下文詞匯的 one-hot 編碼向量，通過矩陣W換映射到隱藏層，隱藏層最后是一個 N 維向量，輸出層為目標(biāo)詞的 one-hot向量。Skip-gram 模型則是利用目標(biāo)詞預(yù)測上下文語境的概率，與其正好相公式（2-2），具體的模型如圖 2-1。(|,,,)ttkt2 t1t1t2tkPWWWWWWW （2-1）(,,,|)tkt2 t1t1t2tktPWWWWWWW （2-2）

較為傳統(tǒng)的微博文本分類算法是基于淺層的機(jī)器學(xué)習(xí)算法，主要向量機(jī)算法、樸素貝葉斯算法和 K 最近鄰算法等。這類算法主要是通過驗(yàn)數(shù)據(jù)進(jìn)行標(biāo)注，并根據(jù)場景需求提取相應(yīng)文本特征，基于這些特征構(gòu)模型，通過實(shí)驗(yàn)語料進(jìn)行訓(xùn)練和測試，最終得出分類結(jié)果。本節(jié)對這些進(jìn)行簡單介紹：支持向量機(jī)（Support Vector Machine, SVM）是一種基于有監(jiān)督義線性分類器，其決策邊界是對學(xué)習(xí)樣本求解的最大邊距超平面，既在上的分類間隔最大化的二分類算法[28-30]。它在文本分類相關(guān)領(lǐng)域有廣泛的核心原理是在特征空間上尋找到超平面,該平面使得正負(fù)數(shù)據(jù)最大程平面，既分類間隔達(dá)到最優(yōu),相當(dāng)于獲取更強(qiáng)的泛化能力,求解相應(yīng)的凸的問題[31]。因此最優(yōu)的模型必然就是找到最大程度地將數(shù)據(jù)點(diǎn)劃分開要不偏不倚，不能靠近負(fù)樣本也不能靠近正樣本，并且與所有支持向量量大才可以。圖 2-2 形象的刻畫了它的底層計(jì)算模型：

【參考文獻(xiàn)】：
期刊論文
[1]抑郁癥治療的研究進(jìn)展評述[J]. 高雅雯.  現(xiàn)代商貿(mào)工業(yè). 2019(05)
[2]基于情感傾向和SVM混合極短文本分類模型[J]. 王鶴琴,王楊.  科技通報(bào). 2018(08)
[3]抑郁癥患者的表情及微表情識別[J]. 馬琳,陳文鋒,傅小蘭,王桐桐.  科學(xué)通報(bào). 2018(20)
[4]基于語音的抑郁癥識別[J]. 潘瑋,汪靜瑩,劉天俐,劉曉倩,劉明明,胡斌,朱廷劭.  科學(xué)通報(bào). 2018(20)
[5]網(wǎng)絡(luò)社交中表情符號的表達(dá)與象征意義分析[J]. 胡遠(yuǎn)珍.  湖北大學(xué)學(xué)報(bào)(哲學(xué)社會科學(xué)版). 2017(06)
[6]基于詞向量的跨領(lǐng)域中文情感詞典構(gòu)建方法[J]. 馮超,梁循,李亞平,周小平,李曉菲.  數(shù)據(jù)采集與處理. 2017(03)
[7]機(jī)器學(xué)習(xí)與語義規(guī)則融合的微博情感分類方法[J]. 姜杰,夏睿.  北京大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[8]農(nóng)業(yè)搜索引擎中文分詞工具對比[J]. 趙濤,張?zhí)t.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(04)
[9]抑郁癥的識別、預(yù)防與處置[J]. 余江.  政工導(dǎo)刊. 2015(06)
[10]新浪微博用戶中自殺死亡和無自殺意念者特征差異的研究[J]. 管理,郝碧波,劉天俐,程綺瑾,葉兆輝,朱廷劭.  中華流行病學(xué)雜志. 2015 (05)

碩士論文
[1]基于深度學(xué)習(xí)的知乎標(biāo)題的多標(biāo)簽文本分類[D]. 張闖.北京交通大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的短文本表示與分類研究[D]. 王儒.山東師范大學(xué) 2018
[3]基于微博表情符號的中文情感詞典構(gòu)建方法研究[D]. 賈一凡.蘭州理工大學(xué) 2018
[4]基于深度學(xué)習(xí)的微博文本情感分析研究[D]. 宋夢姣.南京大學(xué) 2018
[5]中文情感詞典構(gòu)建中詞向量學(xué)習(xí)技術(shù)的研究與應(yīng)用[D]. 楊玉凡.南京大學(xué) 2018
[6]基于擴(kuò)展詞典和規(guī)則的中文微博情感分析[D]. 李繼東.北京交通大學(xué) 2018
[7]面向電子病例數(shù)據(jù)發(fā)布的隱私保護(hù)算法研究[D]. 林國濱.福建師范大學(xué) 2017
[8]微博社交網(wǎng)絡(luò)中的學(xué)生用戶抑郁癥識別方法研究[D]. 李鵬宇.哈爾濱工業(yè)大學(xué) 2014



本文編號：3548274