文献类型：期刊文章

作　　者：张亚洲[1] 和玉[1] 戎璐[2] 王祥凯[3]

ZHANG Yazhou;HE Yu;RONG Lu;WANG Xiangkai(Software Engineering College,Zhengzhou University of Light Industry,Zhengzhou 450001,Henan,China;Human Resources Office,Zhengzhou University of Light Industry,Zhengzhou 450001,Henan,China;Shandong Zhengyun Information Technology Co.,Ltd.,Jinan 250104,Shandong,China)

机构地区：[1]郑州轻工业大学软件学院,河南郑州450001 [2]郑州轻工业大学人事处,河南郑州450001 [3]山东正云信息科技有限公司,山东济南250104

出　　处：《计算机工程》

基　　金：国家自然科学基金青年基金项目(62006212);河南省科技攻关研究项目(222102210031);中国博士后科学基金面上项目(2023M733907)。

年　　份：2024

卷　　号：50

期　　号：8

起止页码：75-85

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：抑郁症作为一种常见的心理健康问题,严重影响人们的日常生活甚至是生命安全。鉴于目前的抑郁症检测存在主观性和人工干预等缺点,基于深度学习的自动检测方式成为热门研究方向。对于最易获取的文本模态而言,主要的挑战在于如何建模抑郁文本中的长距离依赖与序列依赖。为解决该问题,提出一种基于上下文知识的增强型Transformer网络模型RoBERTa-BiLSTM,旨在从抑郁文本序列中充分提取和利用上下文特征。结合序列模型与Transformer模型优点,建模单词间上下文交互,为抑郁类别揭示与信息表征提供参考。首先,利用RoBERTa方法将词汇嵌入到语义向量空间;其次,利用双向长短期记忆网络(BiLSTM)模型有效捕获长距离上下文语义;最后,在DAIC-WOZ和EATD-Corpus 2个大规模数据集上进行实证研究。实验结果显示,RoBERTa-BiLSTM模型的准确率分别达到0.74和0.93以上,召回率分别达到0.66和0.56以上,能够准确地检测抑郁症。

关 键 词：抑郁检测  序列模型  深度学习  Transformer模型  双向长短期记忆模型  

分 类 号：TP18]