LMILAtt：一种基于注意力机制的多示例学习增强型社交媒体用户抑郁症检测深度学习模型
人工智能
2026-01-12 v1 机器学习
摘要
抑郁症是一项重大的全球公共卫生挑战，其早期识别至关重要。社交媒体数据为抑郁症检测提供了新视角，但现有方法面临准确率不足、时间序列特征利用不充分以及标注成本高等局限。为此，本研究提出LMILAtt模型，创新性地融合了长短期记忆自编码器与注意力机制：首先，通过无监督LSTM自编码器提取用户推文的时间动态特征（如抑郁倾向演变模式）；其次，利用注意力机制动态加权关键文本（如早期抑郁信号），并构建多示例学习架构，以提升用户级检测的准确率。最后，在经专业医学标注的WU3D数据集上验证了模型性能。实验表明，该模型在准确率、召回率和F1分数上均显著优于基线模型。此外，弱监督学习策略显著降低了标注成本，为大规模社交媒体抑郁症筛查提供了高效解决方案。
引用
@article{arxiv.2509.26145,
title = {LMILAtt: A Deep Learning Model for Depression Detection from Social Media Users Enhanced by Multi-Instance Learning Based on Attention Mechanism},
author = {Yukun Yang},
journal= {arXiv preprint arXiv:2509.26145},
year = {2026}
}