基于门控卷积网络的在线论坛用户抑郁检测模型的制作方法

技术特征：
1.基于门控卷积网络的在线论坛用户抑郁检测方法，其特征在于，利用基于门控卷积网络对在线论文用户进行抑郁检测的模型实现检测，该模型的检测步骤如下：s1.帖子级操作模型的输入通过多层带有门控单元的卷积神经网络，卷积神经网络利用有限的上下文信息来获取帖子表示的关键特征；其中，帖子级操作的处理层包括两个卷积层和一个全局平均池；第一卷积层使用两个大小不同的卷积内核来获得抽象特征图，然后，具有门控单元的第二卷积层使用卷积核来获得不同的门控权重，应用所述门控权重与第一个卷积层生成的特征图进行逐元素乘积，以此获得帖子级别的表征；每个单词由词嵌入矩阵l
ω
∈r
d
×
|v|
表示，|v|是词汇量中的单词数，d是单词向量的维数，每条帖子表示为n个单词，分别为{ω1，ω2，...ω
i
...ω
n
}，令x
i
∈r
d
为与帖子中第i个单词相对应的d维单词向量，长度为n的帖子嵌入后表示为x
1：n
＝[x1，x2，...，x
n
]第一卷积层中，使用cnn和多个不同宽度的卷积滤波器生成帖子的表示形式；将具有不同宽度的卷积滤波器视为提取器以获取的多粒度局部信息；使用不同窗口大小的多个卷积滤波器以获得多个特征图；设k∈r
s
×
d
是步长为1的卷积滤波器，应用于s个单词的窗口以产生新的特征，[x
i 1
，x
i 2
，...，x
i s
‑1]表示长度固定为s的窗口中的词嵌入，将两个向量串联起来即x
i：i s
‑1，由x
i：i s
‑1生成一个新的特征a
i
a
i
＝f(k*x
i：i s 1
b)其中，b∈r是偏置项，*表示卷积运算，f是激活函数leakyrelu，该过滤器应用于帖子[x
1：s
，x
2：s 1
，...，x
n
‑
s 1：n
]中每个可能窗口的s个单词来生成特征图a，a＝[a1，a2，...，a
n
‑
s 1
]其中，a∈r
(n
‑
s 1)
×1表示通过不同大小的过滤器得到所有的特征图，然后将每个特征图a都作为输入传给第二卷积层；第二卷积层包括卷积层和门控单元，用来生成不同的门控权重，包含一个核f∈r
h
×1的卷积运算，用于提取特征图a，卷积核f以窗口h在特征a1上滑动，以此来生成门控权重；其中，g
l
∈r，l＝1，2，...，n
‑
s 1，所有门控权重元素均由特征图a和卷积核f所生成，并组成门控权重矩阵g：g＝[g1，g2，
…
，g
n
‑
s 1
]其中，g∈r
(n
‑
s 1)
×1，m为第二卷积层中的卷积核的数量，利用门控单元提取不同的门控权重矩阵g1，g2，...，g
m
，然后通过门控权重矩阵g获得输出特征图o：其中，是矩阵之间的按元素乘积，o∈r
m
×
(n
‑
s 1)
；
第一卷积层的输出特征图o由门控权重矩阵g控制；接着将第二个卷积层的输出特征图o输入到全局平均池化层，并连接所有输出以获取帖子的表征；s2.用户级操作将获得的帖子表征输入送到用户级操作处理中，使用与帖子级操作相同的方法，获得用户状态表征，然后将获得的用户状态表征传递到全连接的softmax图层，该softmax图层输出标签上的概率分布，从而实现检测；模型损失函数使用的是分类交叉熵，每个文档的目标情感分布记为p
t
，p为预测文档情感分布；其中，t为训练数据，c为分类数，i是文档的索引，j是类别索引，训练的目的是使所有训练文档的p
t
和p之间的交叉熵的误差最小化。2.根据权利要求1所述基于门控卷积网络的在线论坛用户抑郁检测方法，其特征在于，所述模型是用keras框架实现的。3.根据权利要求2所述基于门控卷积网络的在线论坛用户抑郁检测方法，其特征在于，对mg
‑
cnn帖子级操作，将第一卷积层中的卷积核的窗口大小分别设置为2、3、4、5、6，每个窗口大小有30个不同的卷积核；第二个卷积层中的卷积核的窗口大小为1、3、5、7，每个窗口大小有30个不同的卷积核；在第二层中使用窗口大小为3的卷积核。4.根据权利要求3所述基于门控卷积网络的在线论坛用户抑郁检测方法，其特征在于，对用户级操作，设置与帖子级操作相同的参数。

技术总结
本发明公开基于门控卷积网络的在线论坛用户抑郁检测方法，利用基于门控卷积网络对在线论文用户进行抑郁检测的模型实现检测，该模型的检测通过帖子级操作与用户级操作实现，通过帖子级操作获得帖子级别的表征；通过用户级操作，获得用户状态表征,然后利用softmax图层输出标签上的概率分布，实现检测。本发明的方法可以使用选通权重来有效地识别与用户帖子中的负面情绪相关的语言，从而实现抑郁检测。从而实现抑郁检测。从而实现抑郁检测。


技术研发人员：饶国政 张越 丛庆
受保护的技术使用者：天津大学
技术研发日：2021.06.25
技术公布日：2021/10/28