一种用于社交媒体流上简单有效早期抑郁症检测的文本分类框架
摘要
随着互联网的兴起，越来越需要构建能够高效处理社交媒体上早期风险检测（ERD）问题（如早期抑郁症检测、早期谣言检测或性 predators 识别）的智能系统。这些系统如今大多基于机器学习技术，必须能够处理数据流，因为用户随时间提供其数据。此外，这些系统必须能够决定所处理的数据何时足以实际对用户进行分类。而且，由于 ERD 任务涉及可能影响人们生活的危险决策，此类系统还必须能够证明其决策的合理性。然而，大多数标准和最先进的监督机器学习模型并不适合处理该场景。这是因为它们要么充当黑箱，要么不支持增量分类/学习。在本文中我们介绍了 SS3，一种新颖的用于文本分类的监督学习模型，它天然支持这些方面。SS3 被设计用作处理 ERD 问题的一般框架。我们在 CLEF 的 eRisk2017 早期抑郁症检测试点任务上评估了我们的模型。提交给该竞赛的 30 份贡献大多使用了最先进的方法。实验结果表明，尽管计算开销更小且能够解释其原理，我们的分类器仍能够优于这些模型和标准分类器。
引用
@article{arxiv.1905.08772,
title = {A Text Classification Framework for Simple and Effective Early Depression Detection Over Social Media Streams},
author = {Sergio G. Burdisso and Marcelo Errecalde and Manuel Montes-y-Gómez},
journal= {arXiv preprint arXiv:1905.08772},
year = {2024}
}
备注
Highlights: (*) A novel text classifier having the ability to visually explain its rationale; (*) Domain-independent classification that does not require feature engineering; (*) Support for incremental learning and text classification over streams; (*) Efficient framework for addressing early risk detection problems; (*) State-of-the-art performance on early depression detection task