[发明专利]一种基于社交网络的心理异常变化的自动观测方法

摘要

本发明公开了一种基于社交网络的心理异常变化的自动观测方法，具体涉及心理异常检测技术领域，包括以下观察分析步骤：数据收集、数据处理、构造目标对象心理行为轮廓、构造心理异常观测器和心理异常检测判别共五个步骤，提供了基于微博内容的心理异常观测器、基于微博情感的心理异常观测器、基于微博发布时间的心理异常观测器和基于微博互动情况的心理异常观测器。本发明通过长期不断采集目标的微博内容并从内容、时间、情绪表达、互动情况等多方面深入的进行量化分析，及时把握其心理变化的异常情况，为及时进行必须的疏导和介入提供依据，实现了整个分析过程的自动化，降低了分析的成本，减轻了有关人员的工作负担，提高了分析判断的准确度。

主权项

1.一种基于社交网络的心理异常变化的自动观测技术，其特征在于：具体包括以下观察分析步骤：步骤一：数据收集，首先通过网络爬虫采集个人微博账户的历史数据，采集的数据包括目标对象的微博内容、发表时间、相关评论、转发的原微博和使用的表情符号，并将收集到的数据存入数据库；步骤二：数据处理，对步骤一收集到的微博数据分门别类，对微博内容分析，并根据内容概要，结合词库和关键字对微博体现的兴趣爱好进行标注，并使用基于规则的文本分类方法打标签，得到用户微博内容中体现的兴趣爱好，其中主题标签包括视频、音乐、游戏、美食、旅游、购物、IT数码、搞笑幽默、摄影、小说、星座运势、情感生活、宠物图集、图片、互联网、英语、读书、设计、家居、美容、时尚、美女、八卦杂谈、女人、减肥瘦身、本地生活、名人明星、新闻趣事、体育资讯、职场招聘、财经资讯、房产、车世界、其他34个标签；根据微博内容和语义分析情感，并给相应的微博打上情绪标签，情绪标签分为7大类和21小类，7大类标签计为m₀…m₆7类不同情绪，21小类标签计为e₀,e₁…e₂₀标记21种不同情绪；步骤三：构造目标对象心理行为轮廓，针对采集的目标的历史微博，以每周、每月和每三个月这三个不同大小的时间窗口对个人历史微博进行统计分析，以构建目标对象心理行为轮廓作为异常变化检测的参考，分析内容包括情感、程度、发布时间和互动情况四个方面，最终得到情感、程度、发布时间和互动情况四个方面的各项指标，并将其划入微博心理行为轮廓，将其它未被纳入的指标，相应的维度的轮廓值设为0，考虑历史数据中可能存在的异常，筛选数据中占大部分(阈值设为85％)的数据描绘目标对象的心理行为轮廓；根据统计的时间窗口大小不同，可得到profile_week、profile_month 和profile_quarter三个心理行为轮廓，各轮廓均可以表示为profile＝(e,m,c,t,f)，具体如下：e:e₀,…e₂₀标记21种不同情绪；m:m₀,…m₆标记7类不同情绪；c:c₀，…c₃₃标记34类不同主题；t:t₀，…t₅标记6个不同的微博发布时间段；f:f₀，…f₃标记4类不同程度的微博互动情况；其中e_i、m_i、c_i、t_i和f_i的值或者为零，或者为相应的百分比；步骤四：构造心理异常观测器，分别构造基于微博情感的心理异常观测器、基于微博内容的心理异常观测器、基于微博发布时间的心理异常观测器和基于互动情况的心理异常观测器，计算目标对象心理行为轮廓与最近的微博之间的相似度，其中基于微博情感的心理异常观测器采用两者的四个情感分量e和e’,m和m’的夹角的余弦来定义两者间的相似度，基于微博内容的心理异常观测采用两个微博内容主题分量的夹角的余弦来定义两者间的相似度，基于微博发布时间的心理异常观测器采用两个微博发布时间分量的夹角的余弦来定义两者间的相似度，基于微博互动情况的心理异常观测器采用两个微博互动情况分量的夹角的余弦来定义两者间的相似度；步骤五：心理异常检测判别，获得目标最近一周的微博数据之后，遵循步骤三的筛选方式得到该时间段内的微博心理活动profile’＝(e’,m’,c’,t’,f’)，其中e’、m’、c’、t’和f’各分量并不采用上述阈值过滤，而是将全部的值纳入考虑范围内，通过步骤四中构建的微博情感、内容、发布时间和互动情况等四个方面的异常观测器计算目标在过去一周内的社交网络(微博)上的行为和目标行为轮廓间的差异，并建立基于多维度的心理异常判别器，得到一个总相似度，并与设定阈值对比，当检测到的总相似度低于设定阈值时，发出提示。