基于 Transformer 的动态图表示学习用于抑郁症筛查
机器学习
2023-05-12 v1 信息检索
社会与信息网络
摘要
精神障碍的早期检测至关重要，因为它能够实现及时干预与治疗，从而极大改善罹患严重精神疾病的个体的预后。近期社交媒体平台上心理健康讨论的激增为研究心理健康并潜在检测精神疾病实例提供了研究机遇。然而，现有抑郁症检测方法受限于两大主要局限：（1）依赖特征工程；（2）缺乏对时变因素的考量。具体而言，这些方法需要大量特征工程与领域知识，严重依赖用户生成内容的数量、质量与类型。此外，这些方法忽视了时变因素对抑郁症检测的重要影响，例如社交媒体上语言模式与人际交互行为随时间的动态变化（如回复、提及与转推）。为应对这些局限，我们提出早期抑郁症检测框架 ContrastEgo，将每位用户视为动态时变属性图（自我网络），并利用监督对比学习最大化用户在不同尺度下表示的一致性，同时最小化用户表示间的一致性以区分抑郁组与对照组。ContrastEgo 包含四个模块：（1）构建用户异质交互图；（2）使用图神经网络提取用户交互快照的表示；（3）使用注意力机制对快照序列建模；（4）使用对比学习进行抑郁症检测。在 Twitter 数据上的大量实验表明，ContrastEgo 在各种实验设置下所有有效性指标上均显著优于 SOTA 方法。
引用
@article{arxiv.2305.06447,
title = {Dynamic Graph Representation Learning for Depression Screening with Transformer},
author = {Ai-Te Kuo and Haiquan Chen and Yu-Hsuan Kuo and Wei-Shinn Ku},
journal= {arXiv preprint arXiv:2305.06447},
year = {2023}
}
备注
10 pages, 4 figures, 8 tables