抑郁癥網絡社交與疑似抑郁微博初步篩選算法

查國清，胡超然，孫銘濤，王德慶

1.北京航空航天大學可靠性與系統工程學院，北京 100191

2.波士頓大學文理學院，馬薩諸塞州 02212

3.北京航空航天大學經濟管理學院，北京 100191

4.北京航空航天大學計算機學院，北京 100191

統計顯示目前世界各國有超過34 000 萬的抑郁癥患者，并且每年有1 000 萬至2 000 萬人有自殺傾向[1]。根據中國衛生部的統計[2]，截止2012 年，我國已有至少3 000萬的抑郁癥就診記錄。高校學生作為一個社會經驗較少、心理承受能力較低，而又擔負著未來家庭、社會多重責任的特殊群體，抑郁癥發病率明顯高于其他人群[3]。

目前，抑郁癥的檢測主要是基于心理量表測評。雖然該方法能夠很好地預測用戶是否有心理障礙[4]，但是也存在諸如：只能被動等待當事人主動尋求幫助，可能會漏掉存在抑郁傾向人員；效率低下，無法實現大規模人群心理健康狀態的實時監控，識別結果反饋時間滯后；抑郁癥患者有可能會選擇不符合自我狀態描述的積極備選項或表現出不符合自身狀態的認知與行為等不可克服的不足。

有調查[5]顯示，高校學生中微博普及率高達90%以上。用戶使用微博的行為受到自身個性特征的驅動，個性特征可以作為推測微博用戶心理特征的線索之一。微博用戶會通過發表網絡文本的方式來表達自己觀點、想法和情緒等心理特征。用戶使用微博的行為特征以及微博內容的語義特征有可能可以被用來表征微博用戶的心理特征。通過對微博用戶的網絡文本和日志進行深度挖掘分析，可以獲取用戶一段時間以來的心理特征，進而為分析用戶的心理健康狀態包括抑郁狀態提供了可能。

1 相關研究

借助于社交網絡的數據進行心理分析逐漸成為研究的熱點。目前研究主要為兩個方向。

研究方向一，探索社交網絡數據與抑郁癥的關系。例如，密蘇里科技大學的研究人員研究大學生互聯網的使用方式與抑郁癥之間的關聯[6]。Gamon等人[7]從Twitter 上采集了有抑郁癥以及沒有抑郁癥用戶的數據，并利用最小二乘法對采集到的數據進行回歸分析；統計了用戶發布Twitter的時間信息，分析了兩類用戶在發布Twitter上的時間差異；并采用了皮爾遜相關系數方法分析了用戶特征與抑郁癥的相關性程度等。Moreno等人[8-9]使用Facebook數據檢測青少年抑郁傾向，借助心理學上的診斷標準，結合Facebook主頁信息對大學生抑郁狀況進行分析。

研究方向二，利用社交網絡數據檢測識別抑郁癥。如：Choudhury等人[10-11]中獲取了大量的Twitter數據，并利用CES-D量表得到用戶的抑郁狀態標簽，通過分析用戶社交網絡行為數據進行特征提取，構造抑郁檢測模型，證明Twitter 數據能夠用于檢測用戶是否有抑郁癥。Hiraga等人[12]使用了來自Yahoo Japan、Livedoor等多個blog平臺的數據，結合日語特有的語言特征進行特征抽取，并使用機器學習方法構建抑郁檢測模型，證明blog數據可以用于檢測抑郁用戶。Li等人[13]研究發現，通過分析博客文本中文字詞匯內容與文本結構特征可以實現針對網絡用戶情緒狀態的識別。Gill 等人[14]研究發現，通過分析博客的短文本內容同樣可以實現針對網絡用戶情緒狀態的識別。

研究方向一中抑郁癥用戶和非抑郁癥用戶為事先采取人工標注方式得到。研究方向二中所提出的抑郁癥檢測識別模型，在計算機領域屬于分類問題，也需要事先對抑郁癥用戶和非抑郁癥用戶采用人工方式進行標注以用于訓練集和測試集構造。由于人工標注費時費力，本文在對抑郁癥群體包括網絡行為、文本語義（詞和話題）等網絡社交行為分析基礎上，研究提出一種疑似抑郁微博的初步篩選算法，能夠快速地從海量大學生微博中篩選帶有抑郁情緒的微博，減少專家標注工作量，提高標注效率，為從海量微博中自動篩選占比非常少的疑似抑郁微博提供了可行性，并可進一步為后續抑郁癥患者精確識別（分類問題）提供良好的數據處理基礎。

2 抑郁癥群體網絡社交行為分析

2.1 數據來源

（1）抑郁癥群體微博數據

新浪微博用戶“走飯”為一名抑郁癥患者，2012年3月18 日在微博上留下遺言后自殺身亡，影響巨大。在該微博遺言下有超百萬的跟帖，并仍在不斷增加。跟帖中不乏大量的抑郁癥用戶表達負面情緒。本文獲取了“走飯”微博跟帖，在跟帖中尋找抑郁癥微博，并籍由抑郁癥微博尋找抑郁癥用戶。對于抑郁癥微博的判定，本文共邀請了6 位在不同行業從事心理學有關工作的專家，分別獨立地在上述獲取的微博中標出抑郁癥微博。最終由6位專家一致認定的，確定為抑郁癥微博。同一用戶在不同時間發布4 條以上抑郁癥微博的認定為抑郁癥用戶。最終構成了抑郁癥群體樣本數據集和抑郁癥群體微博樣本數據集。樣本數據集分別由8 081 名抑郁癥用戶及這些用戶發布的90 568 條微博（包含40 035 條抑郁微博和50 533 條非抑郁微博）組成，獲取的微博發布時間范圍為2014 年至2018 年，獲取時間為2019年1月。

（2）普通大學生微博數據

作為本文關注的大學生群體，獲取了首都8所高校的53 573 名普通大學生的微博數據，考慮到研究倫理，不采集高校名稱，不采集用戶名。進行對比分析，并用于后續篩選疑似抑郁微博的數據集，微博發布時間為2018 年11 月12 日至2018 年12 月12 日，獲取時間為2019年1月，共計701 827條微博。如表1所示。

表1 首都8所高校微博數據情況Table 1 Weibo data of 8 universities in Beijing

2.2 抑郁癥群體微博網絡行為分析

為了研究人們在抑郁癥的影響下發布微博的行為將發生何種變化，本文利用2.1 節所述的抑郁癥群體微博和普通大學生群體微博樣本數據集，對比了抑郁癥群體和普通大學生群體的微博數量與發布時間的關系。需要說明的是，由于普通大學生群體中有3 所高校的130 210 條微博數據時間戳受損，時間無法精確至“小時”，故將該部分微博數據舍棄，即本節利用的普通大學生群體微博樣本集共571 617條。

（1）不同群體微博發布行為分析

對比了抑郁癥群體和普通大學生群體的微博發布頻率和變化率與時間的關系，如圖1所示。橫軸為一天中的24 小時，縱軸中微博發帖頻率指某時段發帖數與當天總發帖數的比值。

圖1 兩類群體發帖頻率及變化率Fig.1 Post frequency and change rate of two groups

從圖1可見，抑郁癥群體和大學生群體微博發布頻率隨時間變化的大體趨勢相同。但是，抑郁癥群體和普通大學生群體在微博發布頻率和發帖變化率上又有所不同。從21點至次日8點左右，抑郁癥群體發帖頻率更高，而且發帖頻率處于全天的較高水平。一方面說明抑郁癥用戶在夜間和凌晨比普通大學生群體更為活躍，另一方面也說明抑郁癥用戶在夜間和凌晨也是自身最為活躍的時段。由此可見，抑郁癥群體的活躍度表現出明顯的“晝低夜高”現象。

如圖1 所示，大學生群體發帖變化率波動現象明顯，結合發帖變化率的時間分布來看，波動現象基本都發生在上下課、午餐、午休、晚餐時段，說明大學生群體發帖受現實作息影響更為明顯，側面反映出普通大學生群體生物鐘更加規律。與之相反，抑郁癥群體的發帖變化率除了在凌晨和夜間有明顯變化外，白晝時段發帖變化率較為平緩，反映出該群體在生活中過多關注自身、不想做事、不顧飲食甚至生活被動等現象，側面反映出抑郁癥群體伴隨著意志活動減退的特點[15]。

2.3 抑郁癥群體詞特征分析

有研究表明，文檔中出現頻率較高的詞語，即高頻詞，在一定程度上代表了文檔的焦點所在[16]。本文統計并分析了抑郁癥群體與普通大學生群體所發微博的高頻詞及特征，了解兩類用戶的關注焦點。如表2 所示，本文分別列出抑郁癥群體與大學生群體所發微博排名前20的高頻詞。

表2 抑郁癥群體和普通大學生群體高頻詞Table 2 High-frequency words in depression groups and ordinary college students

“語言探索與字詞技術”（LIWC）廣泛應用于研究語詞分析與心理特征的關系。本文使用簡體中文版的“語言探索與字詞技術”（SC-LIWC）工具[17]，對抑郁癥群體的詞特征分析如下：（1）抑郁癥群體在微博文本中使用第一人稱單數代名詞（“自己”）的頻率最高。上述現象表明抑郁癥群體自我意識或自我感知過強，在社會生活中更加沉浸在自己的世界里而不愿和其他人產生聯系。（2）抑郁癥群體在微博文本中使用確切詞（“真的”）的頻率很高。這說明抑郁癥群患者對世界的看法更容易走極端，更容易以“非黑即白”的觀念看世界。（3）抑郁癥群體在微博文本中使用否定詞（“沒有”“不想”“可是”）的頻率也較高。這種現象表明該群體在社會生活中常夾帶著消極情緒，進而他們更容易否定自己、消極看待世界以及消極對待生活。（4）除此之外，抑郁癥群體在微博文本中還廣泛的使用沒有實質意義的功能詞和填充贅詞等，這種現象說明該群體存在著思維不嚴密、不清晰的問題，進而反映出該群體猶豫、矛盾等心理特征。

與之相反，普通大學生在微博文本中頻繁使用的詞多屬于社會歷程詞（“回復”“ 轉發”）、正向情緒詞（“哈哈哈”“喜歡”）和專有名詞（“微博”“朱一龍”“超話”“卜凡”“尤長靖”“米奇”）等。這表明普通大學生更加關心外部世界、關心社會熱點，在社會生活中也更加的與外界聯系、與他人建立互動。這些詞語特征反映了該群體積極、樂觀等心理特點。

2.4 抑郁癥群體話題分析

有研究表明，文本的話題內容在一定程度上反映了文本所要表達的中心思想[18]。因此，本文將提取抑郁癥群體所發微博的話題內容，并分析其隱含的中心思想。

利用LDA[19]對抑郁癥群體進行話題建模，話題數量設置為20。結果表明多數話題反映了抑郁癥患者存在精神性—情感障礙、軀體性障礙、精神運動性障礙和心理障礙四個方面的問題。而上述內容與SDS 等抑郁評測問卷所涵蓋的四個維度高度一致。本文選取了其中5個話題進行分析，如表3所示。

表3 選取的抑郁癥群體5個話題及其主題詞Table 3 5 topics and key words of selected depression groups

話題1孤獨的話題。抑郁癥患者內心孤獨，感覺沒有與自己能夠說知心話的對象。可歸為抑郁的精神性—情感障礙。話題2 選擇死亡的忐忑不安心理的話題。這可能與嚴重抑郁癥患者長期受病癥的折磨，希望解脫但又害怕死亡，于是更希望自己在一場意外中突然結束生命的心理有關。這是嚴重抑郁癥患者典型的心理癥狀，可歸為抑郁的心理性障礙。話題3厭惡自己的話題。覺得自己是廢物，是垃圾，感到自己沒有用，可有可無，這是抑郁癥患者典型癥狀，可歸為精神運動性障礙。話題4 睡眠障礙的話題。失眠是抑郁癥患者典型癥狀，可歸為抑郁的軀體性障礙。話題5鼓勵自己堅持下去的話題。這可能與抑郁癥患者在與抑郁病癥做斗爭，接受治療過程中展示出的正向積極的一面，給自己加油，鼓勵自己有關。除了話題5，還有些話題也反映了抑郁癥治療以及抑郁患者社會支持等積極的話題，而這些話題在測評問卷中不會體現出來，可以看作是微博文本區別于問卷測評等傳統抑郁癥檢測的不同之處。

3 基于抑郁關鍵詞和語義擴展的大學生疑似抑郁微博初步篩選算法研究

本算法首先建立抑郁基礎關鍵詞表，然后利用Word2Vec工具[20]進一步擴展該詞表，得到抑郁擴展關鍵詞表，最后利用該擴展關鍵詞表對被測微博進行分析，繼而判斷該微博是否帶有抑郁情緒。算法的流程如圖2所示。為了找了最佳的算法，本研究采用3種不同的方法建立抑郁基礎關鍵詞表和相應的抑郁擴展關鍵詞表，進行對比。

圖2 篩選算法流程Fig.2 Identify algorithm steps

3.1 抑郁基礎關鍵詞表的生成

方法1 SDS問卷分詞法，指的是利用“jieba”文本分詞工具對抑郁癥自評量表（SDS）進行分詞處理，并將分詞結果作為抑郁基礎關鍵詞表的方法。先將SDS 量表中一半表征正向情緒的項目轉化為表征負向情緒的項目，然后對所有項目進行分詞并去除其中的主語和語氣詞等詞匯，得到47 個詞組成的詞表（如：感到、情緒、沮喪、郁悶、早晨、心情、哭……）。

方法2 專家詞法，指的是利用頭腦風暴方法由若干專家運用研究經驗基于精神性—情感障礙、軀體性障礙、精神運動性障礙和心理行為障礙四個維度開展頭腦風暴，得到抑郁基礎關鍵詞表，由238 個詞組成（如：情緒低落、沮喪、抑郁、悶悶不樂、失眠、易醒、噩夢、孤獨、晝重夜輕……）。

方法3 綜合詞法，綜合詞法的抑郁基礎關鍵詞表與專家詞法相同，然后按照3.2 節的方法對基礎詞表進行擴展，形成抑郁擴展關鍵詞表。

3.2 Word2Vec 語義擴展和抑郁擴展關鍵詞表的生成

Word2Vec 語義擴展的方法如下：將上一步抑郁基礎關鍵詞表的每個詞分別與詞典中的所有詞計算余弦相似度，取相似度最大的前10 個詞作為該詞的近義詞。這樣對基礎關鍵詞表中的每個詞都能篩選與其近義的10個詞，去重，然后人工去掉其中與抑郁不相關的詞或者不符合實驗要求的詞，如英文詞和編碼，得到抑郁擴展關鍵詞表。實驗時調用了python synonyms 包，synonyms 使用wikidata-corpus 訓練的詞向量生成近義詞表。

需要說明的是，綜合詞法得到的抑郁擴展關鍵詞表是在專家詞法抑郁擴展關鍵詞基礎上加入與抑郁癥有關的藥品名生成的詞表。本研究遍列了當前市場上治療抑郁癥的所有藥品的化學名稱和商品名稱，如：阿戈美拉汀、阿莫沙平、百適可、百憂解、苯乙肼、彼邁樂、丙咪嗪、曲唑酮……等74個。3種基礎詞表法擴展后得到的抑郁關鍵詞表分別有392、474、548個。

3.3 相似度分析

以2.1 節中普通大學生微博數據為樣本，抑郁篩選首先要對微博做諸如刪除語氣詞、分詞等預處理，之后再展開相似度分析。相似度計算的做法是將每條微博分詞為A1,A2,…,Am，每個分詞與抑郁擴展關鍵詞表的詞向量K1,K2,…,Kn一一求余弦相似度，將最大的余弦相似度值作為該分詞與抑郁癥的相關度。舉例：微博分詞A1，依次求A1與K1,K2,…,Kn等n個詞的余弦相似度，將n個余弦相似度中最大的那個作為該詞與抑郁癥的相關度。疑似抑郁微博篩選標準為：將微博分詞A1,A2,…,Am與抑郁關鍵詞表相似度最大的前3個求平均值（經人工多次測驗，3個的效果比較好），若平均值大于95%，則認為該微博與抑郁相關。若微博中的分詞數不足3個，則對所有詞求其平均值。

相似度分析算法偽代碼如下：

4 實驗結果分析

4.1 篩選有效性分析

由于專家詞法和綜合詞法相比只是沒有藥品的專有名詞，所以為了確定最優方法，無需對3 種算法兩兩進行對比，只需先對比分析SDS問卷分詞法和綜合詞法在篩選疑似抑郁微博上的性能，然后再對比綜合詞法的藥品專有名詞相比專家詞法多篩選出的微博即可。本文分別從SDS 問卷分詞法和綜合詞法兩種算法的微博篩選結果中隨機抽取2%，并交由專家判定篩選結果是否有效。SDS 問卷分詞法與綜合詞法的專家評定結果如表4所示。

表4 篩選算法專家評定結果Table 4 Expert evaluation results of screening algorithm

綜合詞法和專家詞法對比，有如下5條微博是被綜合詞法篩選出來而未被專家詞法篩選的。

（1）有什么清熱降火排毒的食物嗎最近太暴躁了黃臉婆本人；

（2）原來情緒低落和不開心不一樣；

（3）哈佛腦科學家：學習不好，情緒低落，比吃藥更管用的方法是……

（4）[抱抱]我最近也是，時常情緒低落難以控制；

（5）【一夜“爆紅”的芬太尼，黑天鵝又至，人福醫藥和恩華藥業是否面臨風險？】在周日的清晨，芬太尼意外成為12月最強市場焦點。如果說之前數次美國和加拿大抗議芬太尼并未能引起國內投資人的注意，那么今天C位出道的芬太尼必將被一再科普。從北美市場來看，芬太尼的兇猛與危險已經被上升到“鴉片”戰爭。

以上5條可見，雖然綜合詞法相比于專家詞法增加了一定噪聲，如（1）、（5）條，但是（2）、（3）、（4）條都帶有負面情緒。

綜上，3種算法對比，綜合詞法在篩選疑似抑郁微博的性能上表現最好。綜合詞法相比與專家詞法雖然在引入藥品名這一維度后會引入一定噪聲，增加了誤識率，但是其能夠篩選到專家詞法遺漏的疑似抑郁微博，而且擴大樣本集范圍后，更有可能直接篩選出在微博中符合治療抑郁癥藥品的有關微博。

4.2 篩選出的疑似抑郁微博詞特征分析

對于綜合詞法篩選出的疑似抑郁微博，使用與2.3節同樣的方法進行詞特征分析。

如表5所示，前20個高頻詞有如下特征：（1）疑似抑郁微博中使用悲傷詞、否定詞、生氣詞等負向情緒詞，感知歷程詞，確切詞，第一人稱單數代名詞、因果詞等頻率較高，占前20個高頻詞的80%，這種現象表明該群體自我意識較強，容易以“非黑即白”的觀念看世界，并且在現實生活中常夾帶著消極情緒，進而他們更容易否定自己、消極看待世界以及消極對待生活。這些用詞特征與抑郁癥群體特點高度相似。（2）但是疑似抑郁微博中也存在使用偏好詞、攝食詞、生活詞、動詞等表征該群體關注外部世界的詞語的現象。由此可見，利用綜合抑郁關鍵詞法能夠有效地從大學生群體中篩選出疑似抑郁微博。

表5 疑似抑郁微博高頻詞特征Table 5 Characteristics of high frequency words in suspected Weibo depression

4.3 篩選出的疑似抑郁微博話題分析

對于綜合詞法篩選出的疑似抑郁微博，使用與2.4節同樣的方法進行微博話題的分析。在分出的20個話題中，有14個與抑郁相關的話題，占比達到了70%。舉例如表6所示。可見，通過話題分析也驗證了該算法對初步篩選出疑似抑郁微博有一定有效性。

表6 選取的疑似抑郁微博5個話題及其主題詞Table 6 Selected 5 topics of suspected Weibo depression and their subject words

話題1 關于感到無聊發泄負面情緒的話題。

話題2 關于晚上做噩夢的話題。

話題3 關于恐懼自卑的話題。

話題4 關于迷茫的話題。

話題5 關于失戀分手的話題。

4.4 算法優化探討

提出的綜合詞法雖然有效，有助于減少專家標注工作量，提高標注效率，但是篩選準確率只有65.7%。為了今后改進算法，提高準確率，對識別錯誤進行了分析，把錯誤識別分為漏識別和誤識別兩種情況，針對漏識別和誤識別的微博分別進行了樣例分析。結果如下：

漏識別（第一種識別錯誤）樣例：這幾年，健康不佳，睡眠煎熬，心情也不好，一路走來實屬不易。希望年底許愿，明年有起色。該樣例為漏識別樣例。在該樣例中，用戶同時表達了身體不適和情緒不佳的癥狀，符合抑郁癥生理和心理皆出現負面癥狀的特點，但該算法并未將該樣例識別。該樣例未識別的原因在于分詞特征不足，分詞過于細化使得“不好”“不佳”等形容詞并未與之前的名詞結合起來，使得整個文本的相關度低于閾值。

對于第一種識別錯誤，今后改進算法時，可增加分詞特征。在模型中增加分詞特征可以使得模型對于多個詞連接成的合成詞進行識別，并更準確地計算文本的相關度。

誤識別樣例（第二種識別錯誤）：小朋友看了綜藝真是哭得超級慘[笑cry]感受到了對維他命老師深深的喜愛[笑cry]。該樣例為誤識別樣例。在該樣例中，由于模型識別到了如“哭”“cry”“慘”這樣的詞，導致該文本被識別了出來。

對于第二種識別錯誤，今后改進算法時，可使用能夠將文本中詞匯的上下文加入計算的模型。中文中有些詞在不同的語境下可能表示了不同的意思，如“哭”表示了負面情緒，“笑哭”表示比“笑”更強烈的正面情緒，“笑著笑著就哭了”又表示了負面情緒。現有已獲得特定詞向量的語料庫無法解決這種與上下文有關的情感分析問題，因此在進一步的研究中，應該著手于使用能夠分析上下文語意語境的模型來進行進一步研究。

5 結論

構建了抑郁癥群體樣本數據集和抑郁癥群體微博樣本數據集，采集了普通大學生微博數據。以此分析并總結了抑郁癥群體發布微博的網絡行為、文本語義（詞和話題）等社交網絡行為特點。依據這些特點，綜合專家智慧，并運用Word2Vec 工具建立了抑郁癥擴展關鍵詞表，該詞表為研究提出疑似抑郁微博初步篩選算法提供了支持。

提出基于抑郁關鍵詞和語義擴展的大學生疑似抑郁微博初步篩選算法，篩選準確率為65.7%。雖然準確率還不是很高，但達到了快速地從海量大學生微博中篩選帶有抑郁情緒的微博，減少專家標注工作量，提高標注效率，并進一步為后續抑郁癥患者精確識別（分類問題）提供良好的數據處理基礎的目的。

為提高篩選準確率，分別對第一種識別錯誤和第二種識別錯誤進行了分析探討，提出了未來結合語意語境分析優化算法的思路。