基于混合深度学习模型融合多模态的可解释抑郁症检测于社交媒体
信息检索
2021-04-29 v2 机器学习
社会与信息网络
摘要
模型可解释性通过提供对模型预测的洞察，已成为建立恰当用户信任的重要一环。然而，现有大多数机器学习方法对抑郁症预测不提供可解释性，因此其预测对人类而言是晦涩的。在本工作中，我们提出可解释的多模态层级注意力网络 MDHAN 用于抑郁症检测，以检测社交媒体上的抑郁用户并解释模型预测。我们考量了用户帖子以及基于 Twitter 的多模态特征，具体而言，我们使用在推文级和词级应用的两级注意力机制对用户帖子进行编码，计算每条推文和每个词的重要性，并从用户时间线（帖子）中捕捉语义序列特征。我们的实验表明 MDHAN 优于几种流行且鲁棒的基线方法，证明了深度学习与多模态特征结合的有效性。我们还表明我们的模型有助于提升对公开在社交媒体上发布消息的用户进行抑郁症检测的预测性能。MDHAN 取得了优异性能并提供了充分的证据来解释预测。
引用
@article{arxiv.2007.02847,
title = {Explainable Depression Detection with Multi-Modalities Using a Hybrid Deep Learning Model on Social Media},
author = {Hamad Zogan and Imran Razzak and Xianzhi Wang and Shoaib Jameel and Guandong Xu},
journal= {arXiv preprint arXiv:2007.02847},
year = {2021}
}
备注
23 Pages