融合文本摘要和情绪感知的抑郁倾向识别

Depression Recognition by Conbining Summarization and Emotion Perception

抑郁症作为世界第四大疾病,严重影响着人们的生理和心理健康。随着互联网的发展,社交媒体的发布内容已经成为研究精神疾病的重要数据源,研究者开始应用自然语言处理技术自动检测抑郁倾向。现存算法无法充分捕捉到长文本中的关键信息,忽略了对用户情绪状态的时序性建模,进而造成抑郁倾向识别性能不佳。该文提出一种融合文本摘要和情绪感知的抑郁倾向识别模型,首先利用文本摘要算法抽取用户历史文本的全局语义特征,在压缩文本长度的同时保留了与用户真实意图强相关的内容;然后利用词汇增强算法计算句子级的细粒度情绪表示,并结合深度神经网络捕获了用户的情绪变化特征。实验结果表明,该文提出的模型取得了更佳的识别效果,在抑郁倾向识别数据集上将检测结果的正类F 1值提升至75.61%。

As the fourth largest disease in the world,depression seriously affects people’s physiological and mental health.To apply natural language processing techniques to automatically detect depressed people,we propose a depression recognition model combining text summarization and emotion perception.First,we use the text summarization method to extract the global semantic features.Then we apply vocabulary enhancement methods to extract sentence-level emotional representation.Finally,we use deep neutral network to capture the emotion features.The results show our model achieves up to 75.61%positive F 1.