一种用于社交媒体上抑郁症初步状态估计的情感分析引擎
计算与语言
2020-12-01 v1 信息检索
机器学习
摘要
针对社交媒体用户抑郁症初步状态估计的文本情感分析是一种被广泛采用且可行的方法。然而，访问社交媒体网站的用户的极大多样性及其词汇的丰富混杂，使得常用的基于深度学习的分类器难以发挥作用。此外，传统监督机器学习的缺乏适应性可能在多个层面造成损害。我们提出了一种基于云端的智能手机应用，其后端基于深度学习，主要用于在 Twitter 社交媒体上执行抑郁检测。后端模型由一个基于 RoBERTa 的孪生句子分类器组成，该分类器将给定推文（查询）与一组已知情感的带标签推文（标准语料）进行比较。标准语料随专家意见随时间更新，以提高模型的可靠性。心理学家（在患者许可下）可利用该应用在咨询前评估患者的抑郁状态，从而更好地了解患者的心理健康状况。此外，心理学家可被推荐至具有相似特征的病例，这反过来有助于更有效治疗。我们在公开数据集上微调后端模型后对其进行评估。该微调模型被用于对具有随机噪声因素的大批推文样本预测抑郁。模型取得了顶尖结果，测试准确率为 87.23%，AUC 为 0.8621。
引用
@article{arxiv.2011.14280,
title = {A Novel Sentiment Analysis Engine for Preliminary Depression Status Estimation on Social Media},
author = {Sudhir Kumar Suman and Hrithwik Shalu and Lakshya A Agrawal and Archit Agrawal and Juned Kadiwala},
journal= {arXiv preprint arXiv:2011.14280},
year = {2020}
}