發(fā)布時(shí)間：2021-04-04 18:56

　　針對社交媒體中潛在的自殺傾向問題,本文以新浪微博為研究對象,依據(jù)領(lǐng)域知識(shí)設(shè)計(jì)分層分類方案,并基于該分類方案,提出了分層支持向量機(jī)的分類模型。該模型對高自殺風(fēng)險(xiǎn)群體進(jìn)行早期識(shí)別,可用于自殺傾向檢測和干預(yù),減少自殺現(xiàn)象。實(shí)驗(yàn)過程中分層地進(jìn)行參數(shù)優(yōu)化,降低了不平衡數(shù)據(jù)對實(shí)驗(yàn)結(jié)果的影響。綜合考慮用戶的情感狀態(tài),不斷對情感詞典進(jìn)行擴(kuò)充。實(shí)驗(yàn)結(jié)果表明:該模型對自殺群體的預(yù)測準(zhǔn)確率達(dá)到0. 848,可有效地對微博用戶的自殺傾向進(jìn)行預(yù)測,同時(shí)發(fā)現(xiàn)微博發(fā)布時(shí)間和自殺風(fēng)險(xiǎn)概率之間存在可用正態(tài)曲線擬合的關(guān)系。 

【文章來源】：哈爾濱工程大學(xué)學(xué)報(bào). 2019,40(11)北大核心EICSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 自殺傾向預(yù)測模型的構(gòu)建
    1.1 數(shù)據(jù)收集和預(yù)處理
    1.2 分層的SVM模型
    1.3 數(shù)據(jù)分析
2 實(shí)驗(yàn)結(jié)果與分析
    2.1 模型對比分析
    2.2 時(shí)間序列與自殺傾向分析
    2.3 模型參數(shù)優(yōu)化分析
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的微博用戶自殺風(fēng)險(xiǎn)預(yù)測[J]. 田瑋,朱廷劭.  中國科學(xué)院大學(xué)學(xué)報(bào). 2018(01)
[2]基于多特征的微博情感分析研究[J]. 劉續(xù)樂,何炎祥.  計(jì)算機(jī)工程. 2017(12)
[3]興趣、習(xí)慣、交互三重驅(qū)動(dòng)的微博用戶動(dòng)力學(xué)模型[J]. 趙金樓,成俊會(huì),劉家國.  哈爾濱工程大學(xué)學(xué)報(bào). 2015(09)
[4]中文微博情感分析研究綜述[J]. 周勝臣,瞿文婷,石英子,施詢之,孫韻辰.  計(jì)算機(jī)應(yīng)用與軟件. 2013(03)
[5]中文文本情感分析綜述[J]. 魏韡,向陽,陳千.  計(jì)算機(jī)應(yīng)用. 2011(12)



本文編號(hào)：3118299