發(fā)布時間：2021-01-10 11:35

　　自殺問題一直是全世界關(guān)注和待解決的心理健康問題,關(guān)系到個人健康發(fā)展和社會和諧穩(wěn)定,因此在自殺前發(fā)現(xiàn)自殺傾向原因?qū)︻A(yù)防自殺會起到關(guān)鍵的作用。傳統(tǒng)的自殺傾向原因分析中,主要由心理醫(yī)生或?qū)＜彝ㄟ^訪談、心理評估報告、臨床診斷開展,這種方法存在很多不足的地方。首先是侵入方式的調(diào)查診斷對他們當(dāng)前的心理狀態(tài)有一定的影響。其次是自殺者出于當(dāng)前心理狀態(tài)和隱私的考慮,會抵觸這種侵入式調(diào)查或訪談。最嚴(yán)重的是傳統(tǒng)方法存在時效性和針對性差的局限。因此,傳統(tǒng)自殺傾向原因研究的不足和局限性為自殺的診斷和預(yù)防帶來干擾和延誤。目前,社交網(wǎng)絡(luò)平臺如Twitter、新浪微博、微信等近年來飛速發(fā)展。用戶經(jīng)常通過社交網(wǎng)絡(luò)平臺來發(fā)布自己內(nèi)心真實想法、心理狀態(tài)等一些帶有個人情感色彩的信息。其中也包括很多活躍的自殺傾向用戶,這使得社交網(wǎng)絡(luò)為研究抑郁、自殺等心理健康問題提供很好的支持。而基于社交媒體的自殺傾向原因識別研究非常少,相關(guān)的研究主要集中在心理健康評估和自殺傾向檢測上面。本文提出基于條件隨機場CRF的方法和基于長短期記憶網(wǎng)絡(luò)的EAP-Bi-LSTM-CRF方法,從具有自殺傾向的社交媒體微博中識別自殺傾向原因。CRF模型依賴手動... 

【文章來源】： 劉仁強 江西財經(jīng)大學(xué)

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

總體研究框架圖

面向微博文本的自殺傾向原因識別研究14圖2.5二維文本表示如上圖所示，其中D={d1,d2,…,dn}表示文檔，di表示第i個文檔。S={s1,s2,…,sm}表示文檔集合D中的詞集合或特征集合，sj表示第j個詞或特征。Wij表示第i個文檔中第j個詞或特征的值。隨著深度學(xué)習(xí)應(yīng)用在自然語言處理中，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型獲得詞向量表示模型，也稱為詞嵌入（wordembedding）。詞向量模型將文本中的詞表示成一個向量，文本則由詞向量組成的向量矩陣構(gòu)成。詞向量能有效地表示詞與詞的語義關(guān)系，通過將詞向量映射到空間域中可以發(fā)現(xiàn)，語義相近的詞如“倫敦”、“東京”、“北京”等表示不同國家首都城市的詞在空間域中相近，甚至在一定程度上可以反映詞之間的線性關(guān)系。如圖2.6描述了“倫敦”、“東京”、“北京”、“購物”等詞在空間域的關(guān)系。

第二章語料構(gòu)建及相關(guān)理論15圖2.6詞向量空間域關(guān)系詞向量開始出現(xiàn)時是神經(jīng)網(wǎng)絡(luò)訓(xùn)練語言模型的附帶產(chǎn)物，如Bengio等人[36-37]在2001年訓(xùn)練語言模型時獲得的副產(chǎn)物NNLM詞向量，2007年Hinton等人[38]在改進Bengio的語言模型后獲得了LBL詞向量。而真正意義上以訓(xùn)練詞向量為目的神經(jīng)網(wǎng)絡(luò)模型是由Collobert等人[39]在2008年提出的C&W模型，該詞向量模型同樣以NNLM語言模型為基礎(chǔ)進行改進，通過將目標(biāo)詞放在輸入層并且將輸出層調(diào)整為一個節(jié)點的輸出，而不像語言模型以一個詞表大小作為輸出。2013年Mikolov等人[40]在NNLM模型和C&W模型的基礎(chǔ)上提出CBOW和Skip-gram模型，主要是為了借鑒和簡化原有模型而快速有效得獲取詞向量。2014年由Pennington等人[41]結(jié)合傳統(tǒng)的全局矩陣表示方法和神經(jīng)網(wǎng)絡(luò)訓(xùn)練的局部上下文詞向量表示方法提出了一種全局詞向量表示方法Glove模型，通過全局詞共現(xiàn)矩陣訓(xùn)練詞向量模型，而不是局限于局部的上下文詞向量訓(xùn)練方法。以上詞向量模型都是通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)獲得局部上下文或全局的詞向量表示方法，所以相比傳統(tǒng)基于統(tǒng)計的二維表示方法能較好的體現(xiàn)詞與詞之間的語義關(guān)系。CBOW和Skip-gram模型為工業(yè)界和學(xué)術(shù)界熟知的word2vec，同時word2vec在自然語言處理的各項任務(wù)中獲得了較好的實驗表現(xiàn)并得到了廣泛的應(yīng)用。CBOW模型是通過當(dāng)前詞的上下文表示預(yù)測當(dāng)前的目標(biāo)詞，其借鑒C&W模型的思想將文本上下文的中間詞作為當(dāng)前目標(biāo)詞，同時又在NNLM模型的基礎(chǔ)上做了兩步簡化：（1）去除了隱藏層直接log線性結(jié)構(gòu)輸出。（2）由原來的

【參考文獻】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的微博情緒識別與誘因抽取聯(lián)合模型[J]. 張晨,錢濤,姬東鴻.  計算機應(yīng)用. 2018(09)
[2]基于支持向量機的大學(xué)生自殺傾向識別研究[J]. 張玉騰.  中國學(xué)校衛(wèi)生. 2018(05)
[3]我國大學(xué)生自殺現(xiàn)狀與對策研究[J]. 吳才智,江光榮,段文婷.  黑龍江高教研究. 2018(05)
[4]基于E-CNN的情緒原因識別方法[J]. 慕永利,李旸,王素格.  中文信息學(xué)報. 2018(02)
[5]基于向量空間模型的中文文本相似度的研究[J]. 薛蘇琴,牛永潔.  電子設(shè)計工程. 2016(10)
[6]大學(xué)生自殺潛在風(fēng)險的識別和預(yù)警:基于應(yīng)激-易感模型[J]. 蘇斌原,張衛(wèi),周夢培,林瑪,孟彩.  華南師范大學(xué)學(xué)報(社會科學(xué)版). 2015(03)
[7]社交媒體和自殺預(yù)防:對相關(guān)人員的調(diào)查結(jié)果（英文）[J]. Jo ROBINSON,Maria RODRIGUES,Steve FISHER,Eleanor BAILEY,Helen HERRMAN.  上海精神醫(yī)學(xué). 2015(01)
[8]基于序列標(biāo)注模型的情緒原因識別方法[J]. 李逸薇,李壽山,黃居仁,高偉.  中文信息學(xué)報. 2013(05)
[9]抑郁癥患者自殺傾向的識別與護理對策[J]. 王世茹.  中外醫(yī)學(xué)研究. 2013(03)
[10]思想政治教育中生命教育目標(biāo)的思考與實踐——從當(dāng)代大學(xué)生自殺率升高談起[J]. 葛君梅,姚紅,張濤.  吉林省教育學(xué)院學(xué)報(中旬). 2012(07)

碩士論文
[1]中文微博情感傾向性分析與情感要素抽取方法[D]. 夏夢南.北京工業(yè)大學(xué) 2015
[2]基于文本的情緒自動歸因方法研究[D]. 袁麗.哈爾濱工業(yè)大學(xué) 2014



本文編號：2968630