當(dāng)下,我國處于高速發(fā)展時期,人民的生活節(jié)奏加快,貧富差距變大,生活壓力不斷增加,使得精神類疾病發(fā)病率迅速增加。老年人群體是精神類疾病發(fā)病的“重災(zāi)區(qū)”,這是因為在老年階段,社會和家庭角色產(chǎn)生了驟變,老年生理特征日益顯著,老年人負面情緒逐漸增多且情緒體驗較深刻持久,容易產(chǎn)生以抑郁癥為代表的精神問題。精神類疾病具有發(fā)病率高、隱匿性強、反復(fù)發(fā)作等特征,不但給患者本人帶來極大痛苦,還會給家庭和社會帶來沉重負擔(dān)。因此,本研究嘗試從智慧養(yǎng)老的視角出發(fā),利用先進的信息技術(shù),突破傳統(tǒng)的研究框架,探尋大數(shù)據(jù)時代老年人精神保障的可實現(xiàn)路徑,滿足老年人精神需求,保障老年人精神健康。為了簡化研究,本研究選取抑郁癥作為老年人精神問題的典型代表。首先用文獻研究法梳理了以往學(xué)者有關(guān)老年人精神保障的研究,并得出結(jié)論:我國的老年人精神保障研究尚未形成成熟的體系,研究視角比較單一;研究內(nèi)容多為理論探討而忽視了與實踐的結(jié)合;研究方法以定性為主,定量為輔,對于保障模式的研究囿于傳統(tǒng)框架。當(dāng)前,我國正在積極探索推動國家發(fā)展的“智慧方案”,利用先進的信息技術(shù)解決社會問題,智慧養(yǎng)老作為其中重要一環(huán),將逐漸成為解決我國未來養(yǎng)老難題的最... 

【文章來源】：安徽建筑大學(xué)安徽省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

詞頻統(tǒng)計的極坐標圖

安徽建筑大學(xué)碩士學(xué)位論文第四章模式構(gòu)建與部分實驗驗證27郁情緒重任，構(gòu)建專門的抑郁情感詞典不可或缺。構(gòu)建抑郁情感詞典，首先要獲取抑郁癥患者使用的高頻詞語�，F(xiàn)代心里學(xué)研究表明，抑郁癥和語言之間有著某種確切的關(guān)系。在抑郁癥患者的語言中，負面情緒詞匯過多。抑郁癥患者的自我意識比常人嚴重，語言表達上使用第一人稱更多，喜歡一些極端詞匯。為了使讀者更加直觀的認識抑郁癥患者的語言特征，以及分詞工作的原理，本研究選擇某微博認證的抑郁癥患者，分詞統(tǒng)計其博文中出現(xiàn)次數(shù)17次以上的詞（或符號），結(jié)果如下：圖1詞頻統(tǒng)計的極坐標圖圖2用戶博文的詞云圖可以看出，第一人稱“我”出現(xiàn)次數(shù)最多，是第二人稱“你”的近5倍。否定詞“不”出現(xiàn)了28次，極端詞匯詞“都”出現(xiàn)了22次，表達非平靜情緒的符號“...”、“？”和“１也是高頻出現(xiàn)。沒有一個是表示心情喜悅的詞匯。僅僅這30個出現(xiàn)次數(shù)最多的詞，就給人一種莫名的心情壓抑的感覺。而經(jīng)過TF-IDF篩選后生成的詞云圖上，更是有“自殺”、“忍”、“任何”、“死”、“但是”等負性詞匯。抑郁癥患者的語言的確具有特定模式，只要我們深入挖掘其中的高頻詞匯，形成詞典，通過微博等社交媒體上的文字表達，是能夠把握其情緒特征，進而預(yù)測到抑郁癥的發(fā)生的�；谠~匯的TF-IDF值篩選，構(gòu)建的領(lǐng)域情感詞典具有較好的領(lǐng)域表達性[86]。4.4基于深度學(xué)習(xí)的抑郁情感預(yù)測抑郁情感詞典的作用是為了更好地對用戶的社交媒體數(shù)據(jù)進行分詞，應(yīng)用抑

安徽建筑大學(xué)碩士學(xué)位論文第四章模式構(gòu)建與部分實驗驗證28郁情感詞典對某賬號社交媒體數(shù)據(jù)分詞的結(jié)果如表1所示。表1某賬號的社交媒體數(shù)據(jù)分詞結(jié)果（1）憂郁/和/悲傷/之間/的/片刻/歡喜/透支/了/我/對/生命/全部/的/熱情/儲蓄（2）你治好/我/的/憂郁/而后/賜/我/悲傷（3）割腕/沒死成/我/好/廢物/對不對/那/今天/就/跳樓/試試/吧（4）可一/想到/終將/是/你/的/路人/便/覺得/是/淪為/整個/世界/的/路人（5）刪完了/屬于/過去/的/每/一條/我/是不是/也/該/告訴/自己/沒人能/替/我/堅強（6）但愿/離去/是/幸/我/愿/永不/歸來分詞的結(jié)果再使用TF-IDF根據(jù)詞匯出現(xiàn)的頻率對詞匯重要程度進行度量，選擇其中一定數(shù)量個性情感明顯的高頻詞語用于生成詞向量。詞向量含有詞的上下文語義信息，這樣詞與詞之間的語義相似性可以用詞向量的相似性來度量。（1）用詞向量表示用戶社交媒體數(shù)據(jù)基于深度學(xué)習(xí)的情感分析的核心是分布式詞向量。詞向量是通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)語言模型（NNLM）得到的。NNLM是從語言模型出發(fā)，在神經(jīng)網(wǎng)絡(luò)上針對目標函數(shù)進行模型的最優(yōu)化訓(xùn)練，目標是在詞環(huán)境下，預(yù)測下一個該是什么詞，訓(xùn)練得到的參數(shù)即為詞向量。語言模型形就是求一個給定字符串t,,www21是自然語言的概率),,,(21twwwP。根據(jù)貝葉斯公式：),,,|(),|()|()(),,,(12121312121tttwPwPwPwwPwwwwwwwPw（1）上面概率公式的意義為：第一個詞確定后，看后面的詞在前面的詞出現(xiàn)的情況下出現(xiàn)的概率。其目標函數(shù)為：),,,|(log)(121ntttttLwwwwP（2）NNLM的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示[87]。圖3NNLM結(jié)構(gòu)圖用詞串t,,www21訓(xùn)練該模型，通過隨機梯度提升的方法，不斷調(diào)整優(yōu)化參


本文編號：3404635