王垚 賈寶龍 杜依寧 張晗 陳響

摘? ?要：目前抑郁癥的診斷手段單一、診斷率低，為此，文章提出一種基于詞向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法。人工標(biāo)注和專家校驗(yàn)獲得訓(xùn)練數(shù)據(jù)，使用詞向量進(jìn)行文本向量化。以SVM為基分類器進(jìn)行Boosting集成學(xué)習(xí)。實(shí)驗(yàn)結(jié)果表明，文章提出的模型可以用于抑郁傾向的檢測(cè)。

關(guān)鍵詞：抑郁檢測(cè);微博;支持向量機(jī);詞向量;集成學(xué)習(xí)

目前，國(guó)內(nèi)外基于社交媒體文本內(nèi)容的抑郁傾向檢測(cè)主要分成兩類，一類是基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法，另一類是基于機(jī)器學(xué)習(xí)模型的檢測(cè)方法。

（1）基于統(tǒng)計(jì)的數(shù)據(jù)挖掘方法，主要是通過統(tǒng)計(jì)微博文本內(nèi)容的高頻詞、構(gòu)建情感詞典等方式來(lái)評(píng)價(jià)用戶的抑郁傾向。高一虹等[1]利用統(tǒng)計(jì)的方法對(duì)比了微博中抑郁傾向用戶和現(xiàn)實(shí)中抑郁癥患者，發(fā)現(xiàn)抑郁癥在現(xiàn)實(shí)生活和社交媒體上的表現(xiàn)有重合也有偏差。

（2）基于機(jī)器學(xué)習(xí)模型的檢測(cè)方法，主要是將微博文本或用戶屬性向量化，進(jìn)而構(gòu)建分類器進(jìn)行分類。施志偉等[2-3]通過問卷調(diào)查得到有抑郁傾向的用戶，并爬取其微博，使用支持向量機(jī)（Support Vector Machine，SVM）模型進(jìn)行監(jiān)督學(xué)習(xí)，得到了具有82.35%準(zhǔn)確率的模型。

本研究提出了一種基于詞向量的SVM集成學(xué)習(xí)社交網(wǎng)絡(luò)抑郁傾向檢測(cè)方法，通過多組對(duì)比實(shí)驗(yàn)驗(yàn)證了其有效性。

1? ? 相關(guān)工作

1.1? 數(shù)據(jù)的收集

使用的數(shù)據(jù)來(lái)自新浪微博，選擇352位有明顯抑郁傾向的博主的微博作為正數(shù)據(jù)，共有35 962條微博文本，323位非抑郁癥患者博主的7 297條微博文本作為負(fù)數(shù)據(jù)。篩選后得到28 654條微博文本的正數(shù)據(jù)，58 569條微博文本的負(fù)數(shù)據(jù)，如表1所示。經(jīng)過3位心理學(xué)系的碩士研究生進(jìn)行交叉檢驗(yàn)，僅有10位用戶存在爭(zhēng)議，數(shù)據(jù)的可信度達(dá)到了97.5%。

1.2? 數(shù)據(jù)的清洗

為了保證數(shù)據(jù)的高可用性，對(duì)得到的數(shù)據(jù)進(jìn)行了過濾，具體過濾方法如下：

（1）過濾掉不可用的信息，如圖片、視頻以及微博中有跳轉(zhuǎn)鏈接。（2）過濾掉廣告數(shù)據(jù)以及非原創(chuàng)數(shù)據(jù)，如文本中的投票、打榜、影響力、人氣演員等。（3）正則匹配過濾部分干擾字符，如@xxx，#xxx超話#等。（4）過濾掉長(zhǎng)度小于7個(gè)字的微博文本。

2? ? 抑郁傾向檢測(cè)方法

本文提出的抑郁傾向檢測(cè)方法主要包括兩部分：構(gòu)建用戶向量、SVM集成學(xué)習(xí)，如圖1所示。

首先，文本的向量化主要包含4部分：對(duì)微博文本的分詞、獲取每個(gè)詞語(yǔ)的百度詞向量、將詞向量進(jìn)行特征加權(quán)計(jì)算句向量、根據(jù)句向量構(gòu)建用戶向量;其次，進(jìn)行SVM有監(jiān)督學(xué)習(xí);最后，以其為基分類器進(jìn)行Boosting集成學(xué)習(xí)。

2.1? 構(gòu)建用戶向量

2.1.1? 分詞與詞向量

由于微博文本包含大量網(wǎng)絡(luò)用語(yǔ)，而百度分詞比較善于針對(duì)網(wǎng)絡(luò)文本進(jìn)行分詞，同時(shí)也能通過構(gòu)建自定義詞典提高特殊詞匯的分詞效果，所以先利用百度分詞API進(jìn)行分詞，然后獲得對(duì)應(yīng)的百度詞向量。對(duì)于百度詞向量庫(kù)中不存在的抑郁詞，則選擇詞向量庫(kù)中與其最相近的詞作為替代。對(duì)于不在抑郁詞典中且詞向量未收錄的詞語(yǔ)，直接賦0，便于之后的計(jì)算。

2.1.2? 詞向量加權(quán)

首先，使用TF-IDF進(jìn)行特征加權(quán)，特征權(quán)重的計(jì)算如式（1）：

2.1.3? 構(gòu)建用戶向量

2.2? SVM集成學(xué)習(xí)

集成學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種通過多個(gè)算法或者模型來(lái)執(zhí)行單個(gè)任務(wù)的技術(shù)，可以在一定程度上提升模型的性能。主要的集成學(xué)習(xí)方法包括堆疊[4]（Stacking）、提升[5]（Boosting）和裝袋[6]（Bagging）3類。為了進(jìn)一步提升模型在判錯(cuò)樣本上的分類能力，選擇使用Boosting的提升方法。Boosting方法通過不斷改變訓(xùn)練樣本的權(quán)重，得到多個(gè)分類器，并將其進(jìn)行線性組合，提高分類的性能。本文選擇使用Boosting方法中最經(jīng)典、最常用的是AdaBoost算法。

3? ? 實(shí)驗(yàn)結(jié)果及分析

3.1? 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)分為4部分：（1）用原始百度詞向量進(jìn)行訓(xùn)練，用SVM表示。（2）用TF-IDF加權(quán)詞向量進(jìn)行訓(xùn)練，用SVM-T表示。（3）用TF-IDF和抑郁詞加權(quán)的詞向量進(jìn)行訓(xùn)練，用SVM-TW表示。（4）用TF-IDF和抑郁詞加權(quán)的詞向量進(jìn)行AdaBoost集成學(xué)習(xí)訓(xùn)練，用SVM-TW-AdaBoost表示。

3.2? 評(píng)價(jià)標(biāo)準(zhǔn)

3.3? 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)結(jié)果如表2所示，可以看出，SVM-T相比SVM僅召回率略有提升，而準(zhǔn)確率和F1有所降低，說明TF-IDF加權(quán)不能較好地改善微博文本的向量表示。SVM-TW相比SVM-T有明顯提升，說明抑郁詞權(quán)重能夠有效增強(qiáng)微博文本抑郁傾向的表示。SVM-TW-AdaBoost相比SVM-TW有較大提升，說明集成學(xué)習(xí)能夠明顯地提升微博文本的情感表示。

4? ? 結(jié)語(yǔ)

本研究提出的基于詞向量的SVM集成學(xué)習(xí)方法，由于將傳統(tǒng)SVM進(jìn)行集成學(xué)習(xí)，使得學(xué)習(xí)到的分類器更加準(zhǔn)確，泛化能力更強(qiáng)。下一步將考慮用戶其他有效特征，進(jìn)一步增強(qiáng)模型性能。

[參考文獻(xiàn)]

[1]高一虹，孟玲.自殺傾向的話語(yǔ)表述—大學(xué)生“走飯”微博分析[J].外語(yǔ)與外語(yǔ)教學(xué)，2019（1）：43-55，145-146.

[2]PANG B，LEE L，VAITHYANATHAN S.Thumbs up？Sentiment classification using machine learning techniques[C].Stroudsburg：Processing.of the ACL-02 Conference on Empirical Methods In Natural Language Processing，2002.

[3]YOUN SJ，TRINH NH，SHYU I，et al.Using online social media Facebook in screening for major depressive disorder among college students[J].International Journal of Clinical and Health Psychology，2013（1）：74-80.

[4]李壽山，黃居仁.基于Stacking組合分類方法的中文情感分類研究[J].中文信息學(xué)報(bào)，2010（5）：56-62.

[5]黃彬.基于Boosting算法的中文情感分類研究[J].電子技術(shù)與軟件工程，2017（12）：190-191.

[6]FENGGANG L，JI L F，LI W，et al.A method based on manifold learning and bagging for text classification[C].Beijing：Management Science and Electronic Commerce，2011.