一种用于新浪微博用户抑郁检测的多任务深度学习方法
社会与信息网络
2020-08-31 v1 计算与语言
机器学习
摘要
近年来，由于抑郁症带来的心理负担，危及自身生命的人数正在迅速增加。在线社交网络（OSN）为研究人员检测患有抑郁症的个体提供了另一个视角。然而，现有的基于机器学习的抑郁症检测研究仍然具有相对较低的分类性能，表明其特征工程仍有显著的改进潜力。在本文中，我们在新浪微博（一个在中文社区拥有最多活跃用户的领先 OSN）上手动构建了一个大型数据集，即微博用户抑郁检测数据集（WU3D）。它包含超过 20,000 名正常用户和超过 10,000 名抑郁用户，两者均经过人工标注并由专业人员复核。通过分析用户的文本、社交行为和发布的图片，总结并提出了十种统计特征。同时，使用流行的预训练模型 XLNet 提取基于文本的词特征。此外，提出了一种新颖的深度神经网络分类模型，即 FusionNet (FN)，并与上述提取的特征同时进行训练，这些特征被视为多个分类任务。实验结果表明，FusionNet 在测试数据集上达到了 0.9772 的最高 F1-Score。与现有研究相比，我们提出的方法对于不平衡训练样本具有更好的分类性能和鲁棒性。我们的工作也为在其他 OSN 平台上检测抑郁症提供了一种新途径。
引用
@article{arxiv.2008.11708,
title = {A Multitask Deep Learning Approach for User Depression Detection on Sina Weibo},
author = {Yiding Wang and Zhenyi Wang and Chenghao Li and Yilin Zhang and Haizhou Wang},
journal= {arXiv preprint arXiv:2008.11708},
year = {2020}
}
备注
23 pages, 32 figures