挖掘在线社交数据以检测社交网络精神障碍
社会与信息网络
2017-06-07 v4
摘要
近年来，越来越多的社交网络精神障碍（SNMDs），如 Cyber-Relationship Addiction、Information Overload 和 Net Compulsion，被注意到。这些精神障碍的症状目前通常是被动观察到的，导致临床干预延迟。在本文中，我们认为挖掘在线社交行为为早期主动识别 SNMDs 提供了机会。检测 SNMDs 具有挑战性，因为标准诊断标准（问卷）中所考虑的心理因素无法从在线社交活动日志中观察到。我们的方法在 SNMD 检测实践中是新颖且创新的，它不依赖于通过问卷自我披露那些心理因素。相反，我们提出了一种机器学习框架，即社交网络精神障碍检测（SNMDD），利用从社交网络数据中提取的特征来准确识别潜在的 SNMDs 病例。我们还在 SNMDD 中利用多源学习，并提出了一种新的基于 SNMD 的张量模型（STM）以提高性能。我们的框架通过一项涉及 3126 名在线社交网络用户的用户研究进行了评估。我们进行了特征分析，并将 SNMDD 应用于大规模数据集，分析了三种 SNMD 类型的特征。结果表明，SNMDD 在识别具有潜在 SNMDs 的在线社交网络用户方面大有前景。
引用
@article{arxiv.1702.03872,
title = {Mining Online Social Data for Detecting Social Network Mental Disorders},
author = {Hong-Han Shuai and Chih-Ya Shen and De-Nian Yang and Yi-Feng Lan and Wang-Chien Lee and Philip S. Yu and Ming-Syan Chen},
journal= {arXiv preprint arXiv:1702.03872},
year = {2017}
}
备注
11 pages