论文部分内容阅读
社交媒体的兴起给抑郁症人群的管理带来了巨大的机遇与挑战。据世界卫生组织统计,我国患有抑郁症的人口约为5400万。但是由于心理健康知识的缺乏或者担心被歧视,他们之中的大部分人都是未被诊断或未被救治的状态。值得庆幸的是,他们之中的一部分人会在社交媒体上提及自己生活中的烦恼或者发泄情绪,给研究人员利用社交媒体发现并救助患有抑郁症的个体提供了可能。抑郁症患者在社交媒体上的出现给抑郁症人群管理带来了上述契机的同时,也带来了挑战。因为在社交媒体上的抑郁倾向人群具有什么样的个体行为模式、群体交互模式和演化特点,目前还没有明确的结论,需要进行系统的研究探索。本文正是在这样的研究背景之下产生的。本文的主要研究内容如下:
首先,本文提出了一种基于社交媒体数据自动进行抑郁倾向个体识别的方法。本文以新浪微博为数据源,综合关键词方法和机器学习方法构建了抑郁倾向微博分类器,实现了抑郁倾向个体的识别。在此基础之上,针对找到的抑郁倾向人群从地域分布、性别分布、社交媒体上的活跃规律等多个角度进行了统计性分析和讨论。
其次,本文分析了抑郁倾向个体主要行为的演化规律及行为的影响因素并构建了抑郁倾向个体主要行为的预测模型。本文将抑郁倾向个体的晚睡行为、失眠抱怨行为及负面情绪的表达行为作为抑郁倾向个体的主要行为,并以月为基本单位分析了抑郁倾向个体的主要行为的演化规律及导致行为发生变化的因素。同时,以周为基本单位,利用LongShort-TermMemory(LSTM)算法,构建了抑郁倾向个体主要行为的预测模型,用以预测接下来一段时间内抑郁倾向个体主要行为的变化。
再次,基于复杂网络理论对抑郁倾向人群的聚集行为进行了研究。在对抑郁倾向人群聚集区的基本的特点进行描绘的基础之上,本文从地域分布、年龄分布、社交媒体属性等视角分析了聚集的抑郁倾向人群的特点。而后,本文从度分布、平均路径长度、社区检测、模体分析等角度分析了抑郁倾向人群相互交互所形成的聚集网络的拓扑结构特点,清晰地描画了抑郁倾向人群在线聚集的特点。
最后,对抑郁倾向人群群体行为特征的演化进行了研究。本文以抑郁倾向人群聚集区的交互数据为基础,对抑郁倾向人群群体交互网络的网络基本结构、平均路径长度和模体进行了演化分析;同时,本文分析了抑郁倾向人群在线聚集区的情感变化以及死亡主题的评论的变化,进而揭示了抑郁倾向人群聚集区的情绪状态不断恶化的趋势。
本研究实现了利用机器学习方法对社交媒体上的抑郁倾向人群的自动识别。在识别的基础上,分析了抑郁倾向人群主要行为的演化规律及其影响因素,并构建了预测模型来预测他们后续的变化。本文同时也分析了抑郁倾向人群在社交媒体上大量聚集时的特征以及演化的规律。这些研究可为相关机构进行在线抑郁倾向人群的干预和救治提供数据支持。
首先,本文提出了一种基于社交媒体数据自动进行抑郁倾向个体识别的方法。本文以新浪微博为数据源,综合关键词方法和机器学习方法构建了抑郁倾向微博分类器,实现了抑郁倾向个体的识别。在此基础之上,针对找到的抑郁倾向人群从地域分布、性别分布、社交媒体上的活跃规律等多个角度进行了统计性分析和讨论。
其次,本文分析了抑郁倾向个体主要行为的演化规律及行为的影响因素并构建了抑郁倾向个体主要行为的预测模型。本文将抑郁倾向个体的晚睡行为、失眠抱怨行为及负面情绪的表达行为作为抑郁倾向个体的主要行为,并以月为基本单位分析了抑郁倾向个体的主要行为的演化规律及导致行为发生变化的因素。同时,以周为基本单位,利用LongShort-TermMemory(LSTM)算法,构建了抑郁倾向个体主要行为的预测模型,用以预测接下来一段时间内抑郁倾向个体主要行为的变化。
再次,基于复杂网络理论对抑郁倾向人群的聚集行为进行了研究。在对抑郁倾向人群聚集区的基本的特点进行描绘的基础之上,本文从地域分布、年龄分布、社交媒体属性等视角分析了聚集的抑郁倾向人群的特点。而后,本文从度分布、平均路径长度、社区检测、模体分析等角度分析了抑郁倾向人群相互交互所形成的聚集网络的拓扑结构特点,清晰地描画了抑郁倾向人群在线聚集的特点。
最后,对抑郁倾向人群群体行为特征的演化进行了研究。本文以抑郁倾向人群聚集区的交互数据为基础,对抑郁倾向人群群体交互网络的网络基本结构、平均路径长度和模体进行了演化分析;同时,本文分析了抑郁倾向人群在线聚集区的情感变化以及死亡主题的评论的变化,进而揭示了抑郁倾向人群聚集区的情绪状态不断恶化的趋势。
本研究实现了利用机器学习方法对社交媒体上的抑郁倾向人群的自动识别。在识别的基础上,分析了抑郁倾向人群主要行为的演化规律及其影响因素,并构建了预测模型来预测他们后续的变化。本文同时也分析了抑郁倾向人群在社交媒体上大量聚集时的特征以及演化的规律。这些研究可为相关机构进行在线抑郁倾向人群的干预和救治提供数据支持。