基于社交數(shù)據(jù)挖掘的心理健康預(yù)警建模與分析

林靖怡 黎大坤 吳平鑫 王旭 周燕

（華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院 廣東省廣州市 510642）

1 問題背景

當(dāng)今世界處于激烈競爭的時代，經(jīng)濟發(fā)展不斷加速，生活方式急劇變化，人際關(guān)系日益復(fù)雜，從而造成了各種心理疾病發(fā)生率的日益增多。當(dāng)代大學(xué)生作為具有較高智力、較髙文化和較髙自尊心的群體，有著不同于一般青年的更高抱負和追求，面臨更多的機遇和挑戰(zhàn)，因而也承受著更大的心理壓力和沖突。據(jù)教育部門有關(guān)調(diào)查顯示，較多的在校大學(xué)生存在著不同程度的心理問題,因心理健康問題引發(fā)的大學(xué)生一系列惡性事件。2017年，大學(xué)生自殺事件接連出現(xiàn)。1月11日，山東大學(xué)一名女生被發(fā)現(xiàn)在出租屋內(nèi)上吊自殺，被發(fā)現(xiàn)時已身亡四天；2月27日，廣西大學(xué)一名在讀研究生燒炭自殺死亡；3月4日，渭南職業(yè)技術(shù)學(xué)院農(nóng)學(xué)院一名大二學(xué)生在宿舍內(nèi)上吊身亡；事件頻發(fā)，心理健康是主因。因此，各大高等學(xué)校也越來越重視學(xué)生心理危機的監(jiān)控和預(yù)防工作，并積極構(gòu)建心理測評與篩查系統(tǒng)，建立心理數(shù)據(jù)檔案。

我國許多大學(xué)新生在入學(xué)一個月內(nèi)都進行人格問卷（UPI）調(diào)查或者心理健康測評（SCL-90）。然而，自編的問卷達不到廣泛應(yīng)用的標(biāo)準(zhǔn)程度，且大學(xué)生心理健康會隨著環(huán)境變化和所面臨的挫折而具有波動性。學(xué)生管理工作人員只保存這些靜態(tài)的數(shù)據(jù)，而不及時更新以了解學(xué)生進入大學(xué)后的心理健康狀態(tài)趨勢，對大學(xué)生心理健康危機的預(yù)防起不到重要作用。而在2012年，一名昵稱為“走飯”的微博用戶在發(fā)布了一條遺言微博，引起轟動。她以往的微博內(nèi)容中揭示出她有嚴(yán)重的心理問題，同時說明了大部分學(xué)生都會在社交網(wǎng)絡(luò)上發(fā)泄更真實的情緒。所以，基于此背景下，本項目利用社交數(shù)據(jù)預(yù)測學(xué)生群體的抑郁傾向，具有較強的解決實際問題的意義。

2 數(shù)據(jù)分析

2.1 抑郁和非抑郁用戶的選取

在2012年，有一名昵稱為“走飯”的微博用戶發(fā)了一條遺言微博，隨后并自殺身亡。她的最后一條微博在當(dāng)時引起轟動，眾多網(wǎng)友相繼轉(zhuǎn)發(fā)。“走飯”是一名女生，自從她去世，許多抑郁癥患者會在她的最后一條微博下評論訴說自己的痛苦。本文以此為突破口，在評論中及走飯超話中選取抑郁癥狀明顯的微博用戶作為抑郁用戶。為確保數(shù)據(jù)來源的可靠性，人工篩選發(fā)言中有明確提到“確證抑郁癥”等的用戶。同時，本文在熱搜評論中選取非抑郁用戶。由于抑郁用戶與非抑郁用戶在語言上會有明顯差異，人工篩選時仔細甄別微博用戶多條微博的用詞，保證非抑郁用戶數(shù)據(jù)的真實性。最后確定了149 名抑郁用戶和234 名非抑郁用戶。

2.2 數(shù)據(jù)獲取及預(yù)處理

2.2.1 數(shù)據(jù)獲取

我們獲取的數(shù)據(jù)主要為抑郁用戶和非抑郁用戶的一定數(shù)量的微博正文及基本信息，我們獲取微博正文的方法為網(wǎng)絡(luò)爬蟲（網(wǎng)絡(luò)爬蟲（又稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人，在FOAF 社區(qū)中間，更經(jīng)常的

稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲）。按照網(wǎng)絡(luò)爬蟲的步驟，我們首先分析了網(wǎng)頁結(jié)構(gòu)，然后發(fā)現(xiàn)分布規(guī)律并從中找到微博正文的位置，最后選擇適當(dāng)?shù)呐老x工具爬取到對應(yīng)的數(shù)據(jù)。網(wǎng)絡(luò)爬蟲最終生成對應(yīng)用戶微博內(nèi)容的txt 文件，命名是昵稱和ID 號的組合。

2.2.2 數(shù)據(jù)預(yù)處理

在預(yù)處理過程中，主要是數(shù)據(jù)清洗，去除一些不需要的數(shù)據(jù)，并添加標(biāo)簽。因此本文進行了以下處理：

（1）過濾掉微博話題的內(nèi)容，如#微博熱門話題動態(tài)#，微博話題并非用戶表達出來的，為避免影響微博內(nèi)容的分析，將其去除；

（2）過濾掉圖片、鏈接的信息，本文針對的情感分析是文本內(nèi)容，這些信息會影響分析，因此去除；

（3）過濾掉用戶轉(zhuǎn)發(fā)的內(nèi)容，認為轉(zhuǎn)發(fā)的內(nèi)容不能準(zhǔn)確描述用戶的心理狀態(tài)，如果過濾轉(zhuǎn)發(fā)內(nèi)容后僅?！稗D(zhuǎn)發(fā)微博”，則過濾掉本條微博；

（4）將性別轉(zhuǎn)換為獨熱編碼，“男”為1，“女”為0；

（5）添加人工標(biāo)簽，“抑郁用戶”為1，“非抑郁用戶”為0。

2.2.3 情緒分析技術(shù)

情緒分析的步驟為：

（1）對將要進行分析的微博正文進行分詞；

（2）用對應(yīng)的抑郁詞庫和非抑郁詞庫對分好的詞進行統(tǒng)計分析；

（3）計算該微博的情感值。

在此我們選擇用Python 中的SnowNLP 第三方庫進行分詞和情緒分析，SnowNLP 是一個python 寫的類庫，可以方便的處理中文文本內(nèi)容，是受到了TextBlob 的啟發(fā)而寫的，由于現(xiàn)在大部分的自然語言處理庫基本都是針對英文的，于是寫了一個方便處理中文的類庫，并且和TextBlob 不同的是，這里沒有用NLTK，所有的算法都是自己實現(xiàn)的，并且自帶了一些訓(xùn)練好的字典。不過，SnowNLP中的情感分析主要是用于商品評價的分析，并不符合我們所需要的關(guān)于個人心理狀態(tài)的分析，因此我們爬取抑郁超話和抑郁癥超話中的內(nèi)容作為抑郁詞典，然后隨機爬取微博內(nèi)容作為非抑郁詞典，因為我們認為抑郁用戶僅占人群的一小部分，微博中普遍文本來自非抑郁用戶的。我們對抑郁詞典和非抑郁詞典都進行了數(shù)據(jù)清洗，并保留了表情字符，以此提高對微博表情和網(wǎng)絡(luò)熱詞的分析能力。然后用SnowNLP 庫中本身帶有的sentiment.train 和sentiment.save 方法進行新的訓(xùn)練，實現(xiàn)新訓(xùn)練集的生成和保存，最后實現(xiàn)對于微博正文的情緒分析。情感分析所獲取得到的情感值的范圍為0 到1，情感值越接近0，則表示用戶發(fā)該條微博內(nèi)容的心理狀態(tài)接近抑郁，越接近1 的情況越接近正常。下面以用戶“走飯”在上圖中的微博內(nèi)容為例，對其進行情緒分析，得出相應(yīng)的情感值。

表1

圖1：非抑郁用戶的詞云

圖2：抑郁用戶的詞云

(0.0 11 8 3 3 3 9 9 5 8 7 3 4 0 0 8 8,6.5 8 8 5 1 4 7 8 0 3 1 4 6 3 6 e-0 5, 0.5806662157427955, 0.0036783454087553347,0.0264076 6065997402,0.1290528045904359,0.015297355613529295, 0.008188068840033536)

由此可以看出這些微博正文中大部分是比較消極的，與原本的微博正文較為吻合，本情感分析技術(shù)是可信的。

3 基于情緒詞典的預(yù)測模型

3.1 特征選取

個人特征：性別、粉絲數(shù)、關(guān)注數(shù)、總轉(zhuǎn)發(fā)數(shù)、總評論數(shù)、總點贊數(shù)。

在獲取的數(shù)據(jù)中可以得到如性別、微博等級、微博說明、粉絲數(shù)、關(guān)注數(shù)等個人信息，從這些個人信息可以挖掘出用戶的社交特點，并深入了解到用戶的心理狀態(tài)。本文最終選擇了與社交狀態(tài)密切相關(guān)的性別、粉絲數(shù)、關(guān)注數(shù)、總轉(zhuǎn)發(fā)數(shù)、總評論數(shù)、總點贊數(shù)。

語言特征：多條微博內(nèi)容的情感值的上、下四分位數(shù)及中位數(shù)。

個體的語言是帶有個人色彩的，而在不同的心理狀態(tài)下，用詞也會有所不同。本文隨機抽取抑郁用戶和非抑郁用戶的部分微博內(nèi)容（如圖1 和圖2 所示），發(fā)現(xiàn)非抑郁用戶的微博內(nèi)容涉及方面很多，感情層次豐富，而抑郁用戶的微博內(nèi)容呈現(xiàn)出一種恐慌、脆弱的狀態(tài)。因此極具用戶語言特點的微博內(nèi)容是情感分析的主要對象，因此為了更好地了解用戶的心理狀態(tài)，預(yù)處理過程中剔除了微博內(nèi)容較少的用戶，避免出現(xiàn)被較極端的微博影響分析結(jié)果的情況。利用前面構(gòu)建的情感分析模型對微博內(nèi)容進行分析，得出用戶的情感值上、下四分位數(shù)及中位數(shù)，這里沒有選用更常用的平均值和最值，因為我們并不了解抑郁用戶的情感波動情況，中位數(shù)能比平均數(shù)更體現(xiàn)集中趨勢，四分位區(qū)間也更能描述離散程度。

3.2 實驗結(jié)果及分析

本文將數(shù)據(jù)集按7：3 的比例隨機劃分了訓(xùn)練集和測試集，選擇了XGBoost、SVM、決策樹、lightGBM 等算法構(gòu)建了不同的分類器，分別得到如表1 結(jié)果。

其中，精確率反映了各分類器判定的抑郁用戶中真正抑郁用戶樣本的比重，體現(xiàn)了分類器對非抑郁用戶的區(qū)分能力；召回率反映了被正確判定的抑郁用戶占總的抑郁用戶的比重，體現(xiàn)了分類器對抑郁用戶的識別能力。由于精確率和召回率是相互影響的，通常精確率高，則召回率低，或是精確率低，則召回率高。因此我們需要借助F1 值在這兩者之間找到一個平衡點，F(xiàn)1 值越高，則說明模型越穩(wěn)健。

綜合各分類器，本文認為XGBoost 效果最好，其次是lightGBM和SVM，最后是決策樹。

4 總結(jié)

本文實驗結(jié)果表明，基于情緒詞典的XGBoost 模型具有較好的識別效果。而本文利用社交數(shù)據(jù)來預(yù)測微博用戶的抑郁傾向，具有一定的實際意義：可快速而及時地發(fā)現(xiàn)有抑郁傾向的人，能夠及時發(fā)現(xiàn)目標(biāo)，為有效的干預(yù)和幫助提供了非常好的基礎(chǔ)；考慮到在線社會網(wǎng)絡(luò)的用戶規(guī)模和年輕的學(xué)生用戶居多的特點，使用這種方法將能發(fā)現(xiàn)數(shù)以百萬計受到抑郁癥威脅的人群。尤其對于在線社會網(wǎng)絡(luò)普及率很高的高校學(xué)生來說，用本文提出的方法進行抑郁癥問題狀況評估是合適的。本方法將極大地提升高校等機構(gòu)應(yīng)對學(xué)生抑郁癥問題的能力，從而減少抑郁癥對學(xué)生群體造成的傷害。

由于本文的情感分析技術(shù)僅針對文本內(nèi)容，對圖片內(nèi)容無能為力，難以分析微博用戶發(fā)布的圖片中的情感。雖然在構(gòu)建詞典時保留了微博表情，但有時表情會被人們用來表達多重意思，給用于訓(xùn)練的詞典提出了非常高的要求。同時在特征工程中，過少的特征向量也限制了分類模型的分類效果。以上種種都是本模型有待改進的地方。