基于文本的稀疏数据抑郁检测
机器学习
2020-07-09 v3 计算与语言
人机交互
摘要
以往基于文本的抑郁检测通常基于大量用户生成数据。诸如临床对话之类的稀疏场景较少被研究。本工作提出一种基于文本的多任务 BGRU 网络，结合预训练词嵌入，以建模临床访谈中患者的应答。我们的主要方法采用一种新颖的多任务损失函数，旨在同时建模抑郁严重程度与二值健康状态。我们独立考察了词级与句级词嵌入，以及使用大数据预训练进行抑郁检测。为强化发现，我们报告了在稀疏数据上多次独立运行的均值平均结果。首先，我们表明预训练有助于词级基于文本的抑郁检测。其次，结果显示句级词嵌入大多应优先于词级词嵌入。虽然池化函数的选择较不关键，但均值与注意力池化应优先于最后时间步池化。我们的方法输出抑郁存在结果及预测严重度分数，在 DAIC-WOZ 开发集上取得 0.84 的宏 F1 分数与 3.48 的 MAE。
引用
@article{arxiv.1904.05154,
title = {Text-based depression detection on sparse data},
author = {Heinrich Dinkel and Mengyue Wu and Kai Yu},
journal= {arXiv preprint arXiv:1904.05154},
year = {2020}
}