抑郁症是一种典型的慢性精神疾病,它的显著特征为情感上的消极倾向和行为上的自杀倾向。据近年来公布的报道显示,目前全球4.3%人口正遭受抑郁症折磨。其中中国有五千万多人患有抑郁症,占总人口的4.2%,患病率达到6.1%,自杀率占自杀总人口的50%。但是由于个人和社会发展等因素,当前抑郁症识别率低于10%。如何提高识别率是当前我国抑郁症治疗急需解决的问题。随着社交网络平台的发展,越来越多的抑郁症患者将微博作为表达自我的一种途径,这些通过微博记录的日常生活轨迹中蕴含大量的患者病情信息,为抑郁症的识别提供了新的思路。基于此提出一种基于微博文本和深度学习的抑郁症识别算法,既有效地规避了当前抑郁症识别存在的问题,又为医务人员主动发现和救助患者提供了支撑。本文的主要研究内容包括:(1)构建了抑郁症领域词典库:综合分析抑郁症微博情感和行为的共性特征,结合通用知识库和实验语料库,采用两种语义相似度算法构建了抑郁症领域词典库,涵盖了情感词典、表情符号词典、关键词词典等,弥补了该领域词典的空缺;(2)数据预处理:通过对原始数据去隐私、分词、去噪等预处理操作形成实验语料,提取了与抑郁症紧密相关的词典特征、语义特征、扩展特征,为后续的识别提供了支撑;(3)抑郁症识别模型的构建:将抑郁症识别转化为微博文本分类问题,基于实验语料分别构建了浅层支持向量机和深层卷积神经网络模型。结合抑郁症微博特征进一步改进了算法,提出了兼容多特征的双输入卷积神经网络算法,实验表明识别率得到有效提升;(4)实现了患者微博到电子病历的转换:将识别为抑郁症的微博借助电子病历生成工具转换为电子病历形式,便于医护人员的研究和分析,为后续救援提供支撑。综上所述,该抑郁症识别方法充分利用自然语言技术和社交媒体数据,打破了传统的患者主动就诊方式,对抑郁症的快速识别和提前预警有重要意义。