基于卷积网络的在线论坛用户精神疾病检测模型的研究

科学领域:

• 计算语言学计算语言学
• 心理健康信息学心理健康信息学
• 机器学习用于医疗保健

背景情况:

• 社交媒体平台拥有数十亿用户表达个人情绪和意见.
• 现有的精神疾病检测模型很难在用户生成的内容中确定关键的情感指标.
• 从用户帖子中准确地提取高影响力的情感特征是一个重大挑战.

研究的目的:

• 为改进心理疾病检测提出新的层次化用户后功能表示模型.
• 开发能够识别关键情绪特征的模型,同时过用户帖子中的不相关信息.
• 通过整合门关单元来提高情绪检测任务的性能.

主要方法:

• 引入单门漏电ReLU-CNN (SGL-CNN) 和多门漏电ReLU-CNN (MGL-CNN) 模型.
• 应用这些模型来识别在线论坛数据中患有精神疾病的用户.
• 在CNN架构中利用网关单元来完善特征提取.

主要成果:

• 拟议的SGL-CNN和MGL-CNN模型在识别关键情感特征方面表现出卓越的表现.
• 门单元显著提高了情绪检测任务的准确性和有效性.
• 在RSDD数据集上的实验结果证实了模型对现有方法的优越性.

结论:

• 通过SGL-CNN和MGL-CNN模型,使用社交媒体数据,为心理疾病检测提供了更准确的方法.
• 层次特征表示和封闭机制在提取情感突出信息方面是有效的.
• 这些模型代表了心理健康监测计算方法的重大进步.