[發(fā)明專利]一種社交網(wǎng)絡(luò)自殺意念檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011350389.4
• 申請日: 2020-11-26
• 公開（公告）號: CN112417314A
• 公開（公告）日: 2021-02-26
• 發(fā)明（設(shè)計）人: 馮鈴;曹檑;張慧君
• 申請（專利權(quán)）人: 清華大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F40/30;G06N3/04
• 代理公司: 北京路浩知識產(chǎn)權(quán)代理有限公司 11002
• 代理人: 鄭朝然

1.一種社交網(wǎng)絡(luò)自殺意念檢測方法，其特征在于，包括：

獲取自殺風(fēng)險個體知識圖譜；

基于所述自殺風(fēng)險個體知識圖譜以及雙層注意力機(jī)制，獲取用戶自殺意念關(guān)鍵影響因素，并基于社交網(wǎng)絡(luò)構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，由所述圖神經(jīng)網(wǎng)絡(luò)計算得到用戶自殺判定結(jié)果。

2.根據(jù)權(quán)利要求1所述的社交網(wǎng)絡(luò)自殺意念檢測方法，其特征在于，所述獲取自殺風(fēng)險個體知識圖譜，具體包括：

基于預(yù)設(shè)向量連接表示規(guī)則、文本詞向量規(guī)則和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建用戶在社交網(wǎng)絡(luò)中的個人信息表示、個人經(jīng)歷表示、人格特質(zhì)表示、發(fā)博行為表示、情緒表達(dá)表示和社交互動表示。

3.根據(jù)權(quán)利要求2所述的社交網(wǎng)絡(luò)自殺意念檢測方法，其特征在于，所述基于預(yù)設(shè)向量連接表示規(guī)則、文本詞向量規(guī)則和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建用戶在社交網(wǎng)絡(luò)中的個人信息表示、個人經(jīng)歷表示、人格特質(zhì)表示、發(fā)博行為表示、情緒表達(dá)表示和社交互動表示，具體包括：

采用預(yù)設(shè)三維向量表示用戶性別標(biāo)量信息，采用當(dāng)前用戶年齡以及預(yù)設(shè)最大用戶年齡獲得用戶年齡標(biāo)量信息，并采用預(yù)設(shè)長度向量表示用戶位置標(biāo)量信息；

獲取用戶在預(yù)設(shè)時間區(qū)間的壓力區(qū)間、壓力等級和壓力類別，由所述壓力區(qū)間、所述壓力等級和所述壓力類別形成若干壓力周期；

獲取社交網(wǎng)絡(luò)高頻種子詞和用戶發(fā)布的博文集合，基于所述社交網(wǎng)絡(luò)高頻種子詞和所述博文集合，得到追求完美特質(zhì)分量和反芻思維分量，并基于所述壓力區(qū)間獲得人際關(guān)系敏感程度分量；

分別采用第一預(yù)訓(xùn)練模型提取用戶單條微博的文本表示，采用第二預(yù)訓(xùn)練模型提取用戶單條微博的圖像表示，將用戶的發(fā)博時間映射至預(yù)設(shè)時間區(qū)間中，由所述文本表示、所述圖像表示和所述發(fā)博時間進(jìn)行拼接并由預(yù)設(shè)循環(huán)神經(jīng)網(wǎng)絡(luò)表示為用戶發(fā)博行為特征矩陣；

根據(jù)詞頻提取自殺詞、遺言詞、未來詞、否定詞和自我關(guān)注詞，并獲取情緒轉(zhuǎn)變屬性值；

獲取用戶的被關(guān)注人數(shù)、關(guān)注人數(shù)、互動次數(shù)以及相鄰用戶數(shù)，由所述被關(guān)注人數(shù)、所述關(guān)注人數(shù)、所述互動次數(shù)和所述相鄰用戶數(shù)得到用戶個人社交互動實例化表示向量。

4.根據(jù)權(quán)利要求1所述的社交網(wǎng)絡(luò)自殺意念檢測方法，其特征在于，所述基于所述自殺風(fēng)險個體知識圖譜以及雙層注意力機(jī)制，獲取用戶自殺意念關(guān)鍵影響因素，并基于社交網(wǎng)絡(luò)構(gòu)建圖神經(jīng)網(wǎng)絡(luò)，由所述圖神經(jīng)網(wǎng)絡(luò)計算得到用戶自殺判定結(jié)果，具體包括：

基于所述自殺風(fēng)險個體知識圖譜中的相關(guān)因素，提出屬性級別注意力機(jī)制，由所述屬性級別注意力機(jī)制獲取不同因素重要性，由所述相關(guān)因素和所述不同因素重要性獲取用戶自身個人表示矩陣；

基于所述用戶自身個人表示矩陣提出相鄰用戶級別注意力機(jī)制，由所述相鄰用戶級別注意力機(jī)制獲取用戶相關(guān)聯(lián)個人表示矩陣，將所述用戶自身個人表示矩陣和所述用戶相關(guān)聯(lián)個人表示矩陣進(jìn)行聚合，得到基于社交網(wǎng)絡(luò)的用戶個人表示矩陣；

根據(jù)所述用戶個人表示矩陣，獲得社交網(wǎng)絡(luò)用戶自殺意念表示矩陣，由所述社交網(wǎng)絡(luò)用戶自殺意念表示矩陣判斷用戶存在自殺意念的可能性。

5.根據(jù)權(quán)利要求4所述的社交網(wǎng)絡(luò)自殺意念檢測方法，其特征在于，所述基于所述自殺風(fēng)險個體知識圖譜中的相關(guān)因素，提出屬性級別注意力機(jī)制，由所述屬性級別注意力機(jī)制獲取不同因素重要性，由所述相關(guān)因素和所述不同因素重要性獲取用戶自身個人表示矩陣，具體包括：

除去所述自殺風(fēng)險個體知識圖譜中用戶的所有相鄰用戶，將剩下的所有實例化屬性進(jìn)行拼接，得到實例化屬性向量；

采用屬性級別注意向量，基于所述實例化屬性向量計算不同屬性的重要性，得到屬性級別表示向量。