利用上下文知识赋能机器学习模型以增强社交媒体帖子中进食障碍的检测
机器学习
2024-02-09 v1 计算与语言
摘要
社交网络对于信息共享至关重要，尤其是在健康领域，用于讨论疾病和治疗方法。然而，这些平台通常以简短文本的形式发布帖子，这给人工智能（AI）理解上下文带来了挑战。我们引入了一种新颖的混合方法，将社区维护的知识图谱（如 Wikidata）与深度学习相结合，以增强对社交媒体帖子的分类。该方法使用先进的实体识别器和链接器（如 Falcon 2.0）将短帖子中的实体连接到知识图谱。然后，利用知识图谱嵌入（KGEs）和上下文词嵌入（如 BERT）来创建这些帖子的丰富、基于上下文的表示。我们的重点是健康领域，特别是识别与进食障碍（例如，厌食症、暴食症）相关的帖子，以帮助医疗保健提供者进行早期诊断。我们在一个包含 2000 条关于进食障碍的推文的数据集上测试了我们的方法，发现将词嵌入与知识图谱信息融合可以增强预测模型的可靠性。该方法旨在帮助健康专家发现指示精神障碍的模式，从而改善早期检测和准确诊断，以实现个性化医疗。
引用
@article{arxiv.2402.05536,
title = {Empowering machine learning models with contextual knowledge for enhancing the detection of eating disorders in social media posts},
author = {José Alberto Benítez-Andrades and María Teresa García-Ordás and Mayra Russo and Ahmad Sakor and Luis Daniel Fernandes Rotger and Maria-Esther Vidal},
journal= {arXiv preprint arXiv:2402.05536},
year = {2024}
}