基于CNN的在线论坛抑郁与自残风险评估——EMNLP 2017最佳长论文阅读笔记
基于CNN的在线论坛抑郁与自残风险评估——EMNLP 2017最佳长论文阅读笔记
论文信息
- 论文标题：Depression and Self-Harm Risk Assessment in Online Forums
- 会议：EMNLP 2017（最佳长论文）
- 论文链接：arXiv:1709.01848
作者团队
| 作者 | 背景 |
|---|---|
| Andrew Yates（第一作者） | 乔治城大学计算机博士，目前在德国马克思普朗克信息学院从事博士后研究，博士期间已发表多篇深度学习+信息检索/NLP相关论文 |
| Arman Cohan（第二作者） | 伊朗籍，乔治城大学计算机系博士生，在信息检索和NLP料向发表多篇论文，曾在Medstar Health和Adobe研究院实习 |
| Nazli Goharian（第三作者/导师） | 乔治城大学计算机系教授，20年产学研经验，信息检索与文本分析领域发表20余篇论文 |
研究背景与问题
现代社会精神疾病问题日益突出，大量患者在Reddit、Twitter等在线社区中寻求帮助和交流。研究这些用户的在线行为对设计更契合其需求的辅助系统、帮助社会研究人员分析其精神状态具有重要意义。
论文提出的核心问题是：如何利用NLP技术自动检测在线论坛用户是否患有抑郁症，以及评估其自残风险等级？
主要贡献
构建了大规模标注数据集：从Reddit 2006-2016十年数据中挖掘，通过语料库句式匹配，如"我已经被诊断得了抑郁症"）高精度筛选帖子，经人工标注得到9210个精神疾病用户（正例），并采用严格匹配策略找到107274个负例用户。正负例用户在其他特征上尽量相似，确保对比的有效性。每个用户平均发布969个帖子，平均长度超过140字。
评估自残风险的数据集：利用ReachOut在线社区数据，包含65024个论坛帖子，其中1227个涉及自残，并按紧急程度分为五个等级。
提出了通用的CNN文本分析框架，可同时适用于抑郁症检测和自残风险评估两个任务。
核心方法：CNN文本分析框架
整体流程分为三步：
第一步：帖子级特征提取（CNN）
对每个帖子的单词序列：
- 卷积层（Convolutional Layer）：对一定窗口范围内的单词提取局部特征
- 最大池化层（Max Pooling Layer）：对卷积提取的特征进行集中降维
- 输出：每个帖子转换为一个特征向量（Feature Vector）
本质上就是将图像处理中的标准卷积操作迁移到文本上。
第二步：用户级表征构建
根据任务不同，采用不同的聚合策略：
| 任务 | 聚合方式 |
|---|---|
| 抑郁症检测 | 将该用户所有帖子的特征向量直接取平均 |
| 自残风险评估 | 将所有帖子平铺拼接，并将当前帖子之前的帖子作为负例一并拼接，不做平均处理 |
第三步：分类器构建
使用多层全连接层（Fully Connected Layer）将用户表征映射到目标标签。
实验结果
抑郁症检测任务
| 方法 | Precision | Recall | F1 |
|---|---|---|---|
| 本文方法（CNN） | — | 0.45 | 0.51 |
| SVM + 文本特征 | 0.72 | 0.29 | — |
本文方法在召回率上明显优于SVM基线，F1值综合更高。
自残风险评估任务
| 指标 | 数值 |
|---|---|
| 准确率 | 0.89 |
| F1值 | 0.61 |
在所有对比方法中均取得最优效果。
核心要点总结
- 这是NLP技术应用于社会问题的一次成功实践——用深度学习自动识别精神疾病用户，具有现实意义。
- 论文构建的大规模、高质量标注数据集本身就是一个重要贡献。
- 方法思路上清晰通用：CNN提取帖子特征 → 按任务聚合为用户表征 → 全连接层分类，这一模式可迁移到其他文本挖掘场景。
- 卷积操作在文本上的有效性值得关注：图像中卷积捕捉局部空间模式，文本中则捕捉局部语义组合（如短语、搭配），本质上都是在提取局部特征。
阅读笔记 · 整理自极客时间《AI技术内参》