抑郁癥是一種典型的慢性精神疾病,它的顯著特征為情感上的消極傾向和行為上的自殺傾向。據近年來公布的報道顯示,目前全球4.3%人口正遭受抑郁癥折磨。其中中國有五千萬多人患有抑郁癥,占總人口的4.2%,患病率達到6.1%,自殺率占自殺總人口的50%。但是由于個人和社會發(fā)展等因素,當前抑郁癥識別率低于10%。如何提高識別率是當前我國抑郁癥治療急需解決的問題。隨著社交網絡平臺的發(fā)展,越來越多的抑郁癥患者將微博作為表達自我的一種途徑,這些通過微博記錄的日常生活軌跡中蘊含大量的患者病情信息,為抑郁癥的識別提供了新的思路�；诖颂岢鲆环N基于微博文本和深度學習的抑郁癥識別算法,既有效地規(guī)避了當前抑郁癥識別存在的問題,又為醫(yī)務人員主動發(fā)現(xiàn)和救助患者提供了支撐。本文的主要研究內容包括:（1）構建了抑郁癥領域詞典庫:綜合分析抑郁癥微博情感和行為的共性特征,結合通用知識庫和實驗語料庫,采用兩種語義相似度算法構建了抑郁癥領域詞典庫,涵蓋了情感詞典、表情符號詞典、關鍵詞詞典等,彌補了該領域詞典的空缺;（2）數(shù)據預處理:通過對原始數(shù)據去隱私、分詞、去噪等預處理操作形成實驗語料,提取了與抑郁癥緊密相關的詞典特征、語義特... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【部分圖文】：

常見通用情感詞典Figure1-1GeneralEmotionalDictionary雖然通用情感有詞典規(guī)模大、通用性強、領域廣、準確率高等優(yōu)勢，但是領

北京工業(yè)大學工學碩士學位論文入、隱藏、輸出三層。CBOW 的基本思想是：利用上下文語境預測目標詞的，如公式（2-1）。其輸入層為上下文詞匯的 one-hot 編碼向量，通過矩陣W換映射到隱藏層，隱藏層最后是一個 N 維向量，輸出層為目標詞的 one-hot向量。Skip-gram 模型則是利用目標詞預測上下文語境的概率，與其正好相公式（2-2），具體的模型如圖 2-1。(|,,,)ttkt2 t1t1t2tkPWWWWWWW （2-1）(,,,|)tkt2 t1t1t2tktPWWWWWWW （2-2）

較為傳統(tǒng)的微博文本分類算法是基于淺層的機器學習算法，主要向量機算法、樸素貝葉斯算法和 K 最近鄰算法等。這類算法主要是通過驗數(shù)據進行標注，并根據場景需求提取相應文本特征，基于這些特征構模型，通過實驗語料進行訓練和測試，最終得出分類結果。本節(jié)對這些進行簡單介紹：支持向量機（Support Vector Machine, SVM）是一種基于有監(jiān)督義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面，既在上的分類間隔最大化的二分類算法[28-30]。它在文本分類相關領域有廣泛的核心原理是在特征空間上尋找到超平面,該平面使得正負數(shù)據最大程平面，既分類間隔達到最優(yōu),相當于獲取更強的泛化能力,求解相應的凸的問題[31]。因此最優(yōu)的模型必然就是找到最大程度地將數(shù)據點劃分開要不偏不倚，不能靠近負樣本也不能靠近正樣本，并且與所有支持向量量大才可以。圖 2-2 形象的刻畫了它的底層計算模型：

【參考文獻】：
期刊論文
[1]抑郁癥治療的研究進展評述[J]. 高雅雯.  現(xiàn)代商貿工業(yè). 2019(05)
[2]基于情感傾向和SVM混合極短文本分類模型[J]. 王鶴琴,王楊.  科技通報. 2018(08)
[3]抑郁癥患者的表情及微表情識別[J]. 馬琳,陳文鋒,傅小蘭,王桐桐.  科學通報. 2018(20)
[4]基于語音的抑郁癥識別[J]. 潘瑋,汪靜瑩,劉天俐,劉曉倩,劉明明,胡斌,朱廷劭.  科學通報. 2018(20)
[5]網絡社交中表情符號的表達與象征意義分析[J]. 胡遠珍.  湖北大學學報(哲學社會科學版). 2017(06)
[6]基于詞向量的跨領域中文情感詞典構建方法[J]. 馮超,梁循,李亞平,周小平,李曉菲.  數(shù)據采集與處理. 2017(03)
[7]機器學習與語義規(guī)則融合的微博情感分類方法[J]. 姜杰,夏睿.  北京大學學報(自然科學版). 2017(02)
[8]農業(yè)搜索引擎中文分詞工具對比[J]. 趙濤,張?zhí)t.  計算機系統(tǒng)應用. 2016(04)
[9]抑郁癥的識別、預防與處置[J]. 余江.  政工導刊. 2015(06)
[10]新浪微博用戶中自殺死亡和無自殺意念者特征差異的研究[J]. 管理,郝碧波,劉天俐,程綺瑾,葉兆輝,朱廷劭.  中華流行病學雜志. 2015 (05)

碩士論文
[1]基于深度學習的知乎標題的多標簽文本分類[D]. 張闖.北京交通大學 2018
[2]基于卷積神經網絡的短文本表示與分類研究[D]. 王儒.山東師范大學 2018
[3]基于微博表情符號的中文情感詞典構建方法研究[D]. 賈一凡.蘭州理工大學 2018
[4]基于深度學習的微博文本情感分析研究[D]. 宋夢姣.南京大學 2018
[5]中文情感詞典構建中詞向量學習技術的研究與應用[D]. 楊玉凡.南京大學 2018
[6]基于擴展詞典和規(guī)則的中文微博情感分析[D]. 李繼東.北京交通大學 2018
[7]面向電子病例數(shù)據發(fā)布的隱私保護算法研究[D]. 林國濱.福建師范大學 2017
[8]微博社交網絡中的學生用戶抑郁癥識別方法研究[D]. 李鵬宇.哈爾濱工業(yè)大學 2014



本文編號：3548274