整合图与语言嵌入以自动分类心理健康：x2vec 能拯救生命吗？

图和语言嵌入模型因能在低维空间中稠密表示复杂稀疏数据，正变得在大规模分析中 commonplace。整合这些模型互补的关系与交际数据，在预测罕见事件或分类隐藏群体成员时可能尤为有用——此类任务需要海量稀疏数据集以获得可泛化分析。例如，由于社会污名与并发症，心理健康支持小组常在 amorphous 的在线群体中形成。使用标准网络分析预测这些环境中个体的自杀倾向因资源限制（如内存）而难以实现，且向此类模型添加文本等辅助数据会加剧复杂性与稀疏性问题。本文展示如何合并图与语言嵌入模型（metapath2vec 与 doc2vec）来规避这些限制，并在无需领域专家或特征工程的情况下提取无监督聚类数据。到自杀支持组的图距离与语言距离相关性很小（$\rho$ < 0.23），意味着两模型并未嵌入冗余信息。当分别用于预测个体自杀倾向时，图与语言数据产生相对准确的结果（分别为 69% 和 76%）；但整合后，两类数据产生高度准确的预测（90%，假阳性 10%，假阴性 12%）。可视化标注了潜在自杀个体预测的图嵌入显示，即便个体位于远离支持组的位置，整合模型也能将其分类。这些结果拓展了关于在大规模网络中同时分析行为与语言重要性的研究，以及为预测与分类（尤其涉及罕见事件时）整合不同数据嵌入模型的努力。