基于文件的自杀想法检测 维度扩展 维度扩展
Nima Esmi1, Asadollah Shahbahrami2, Georgi Gaydadjiev3
1Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, University of Groningen, Groningen, The Netherlands; Intelligent Systems Research Center, Khazar University, Baku, Azerbaijan.
这项研究引入了一种新的2D数据转换,用于在非正式文本中对精神障碍内容进行分类,在与自杀相关的社交媒体后检测中达到99%以上的准确性.
科学领域:
- 计算语言学计算语言学
- 人工智能的人工智能是人工智能.
- 心理健康信息学心理健康信息学
背景情况:
- 由于非正式的语言,数据噪音和文化细微差别,很难对非正式的精神障碍文件进行分类.
- 传统的深度学习模型与非正式文本扎,缺少远程依赖和字面解释.
- 像emoji这样的非标准输入对传统的自然语言处理构成挑战.
研究的目的:
- 开发一种准确和安全的方法来分类与精神障碍相关的非正式文件.
- 克服传统深度学习模型在处理非正式文本方面的局限性.
- 在心理健康文件分类中增强隐私和可解释性.
主要方法:
- 通过转换和融合文本数据和标志从1D到2D,扩展了数据的维度.
- 使用预训练的二维卷积神经网络 (CNN) 模型 (AlexNet,Restnet-50,VGG-16).
- 将方法应用于社交媒体数据集,用于与自杀相关的内容分类.
主要成果:
- 实现了高分类准确度超过99%的自杀相关内容.
- 证明了2D数据表示在非正式文本中捕获复杂模式的有效性.
- 在真实世界的社交媒体数据集上验证了方法.
结论:
- 2D数据转换方法显著提高了与精神健康相关的非正式文件分类的准确性.
- 预训练的2D CNN模型提供了一个高效的解决方案,而不需要新的模型设计.
- 2D视觉表示增强了数据隐私,并有助于模型的解释性.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
09:39Author Spotlight: Combining Proximity Ligand Assay with Gamma-H2AX Staining to Characterize Protein Interactions in DNA Damage Response
Published on: August 2, 2024
相关概念视频
Binary Fission
Autophagic Cell Death
Autophagy and Apoptosis
Autophagy can activate apoptosis. In normal conditions, the autophagy activating protein Beclin-1 and...
Variance
Design Consideration
The factor of safety is another key...
Censoring Survival Data
Protecting Self-Esteem
