心理健康问题已经成为现今社会生活关注的一个焦点问题,随着互联网技术的发展,网络求助逐渐成为人们咨询心理健康问题的一个重要渠道,心理健康网站应运而生。随着咨询问题的累积,心理健康网站积累了大量的心理学文本,这些文本包含了表达不同心理疾病的情感标签,自动辨识这些情感标签,有助于快速的把相似的心理学文本推荐给正在网站上寻求帮助的患者。每篇心理学文本可能同时属于多个情感标签,所以心理学文本属于多标签文本,自动辨识这些情感标签的任务属于多标签文本分类问题。本文使用深度学习上的算法卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)搭建组合型深度神经网络BLSTM_CNN(Bi-directional LSTM-CNN)分类器,来自动的从心理学文本中辨识情感标签。本文首先锁定词嵌入方法和词向量的维度。从文本的表示形式出发,引入中文维基百科文本数据,和心理学文本一起,使用word2vec和GloVe两种词嵌入技术,分别训练不同维度的词向量。利用词向量对心理学文本进行表示,并分析比较了不同方法训练的词向量和不同维度的词向量对本文实验结果的影响,挑选出最适合本文任务的词嵌入方法和词向量的维度。然后搭建分类器对心理学文本进行多标签分类。从网络结构的角度出发,使用预先训练好的词向量,分别搭建了 CNN分类器、LSTM分类器、LSTM_CNN分类器以及BLSTM_CNN分类器来进行分类。CNN模型能提取文本的局部特征,但不能整合文本的全局特征。LSTM模型能整合文本的全局特征,但不适合针对文本的多标签特性进行特征提取。本文搭建的组合型深度神经网络BLSTM_CNN分类器能整合文本的全局特征和局部特征,并适应文本的多标签特性。实验结果表明,在多标签分类的评估指标macro_fl上,本文搭建的组合型深度神经网络BLSTM CNN分类器优于单独使用CNN或LSTM模型搭建的分类器,以及组合使用CNN和LSTM模型搭建的LSTM_CNN分类器。验证了 BLSTM_CNN分类器在多标签文本分类上的有效性。