【技术实现步骤摘要】
本专利技术涉及语言分析，尤其涉及一种基于大语言模型的抑郁症监测方法及系统。
技术介绍
1、社交媒体上的抑郁症检测通过用户的帖子历史来识别潜在的抑郁症，是自然语言处理技术的一个典型有益应用之一。与传统的基于临床问询和量表的方法相比，这种方法具有明显的优势。这种方法利用在线社交网络中的公开帖子进行广泛的检测，受益于比临床环境中更真实的表达，并且与专业诊断相比减少了经济成本。
2、许多研究已经深入研究了基于社交媒体文本的抑郁症检测。来自现有研究，确定了通过社交媒体帖子中的表达来预测医学诊断的抑郁症的可能性。近期，一部分研究利用深度学习方法，基于他们的历史发帖来确定用户是否患有抑郁症。然而，现有方法它们无法整合抑郁症的医学知识，这在准确性和可解释性方面仍有很大的提升空间。随着大型语言模型的出现，一些研究已经将它们用于心理健康分析，并取得了良好的可解释性。然而，这些方法在准确性方面表现不佳，并且对小的提示词变化非常敏感。
3、但是，抑郁检测需要参考专业的医学知识。医学领域已经广泛研究抑郁症，形成了被广泛采用的诊断方法和标准，包括抑郁量表和情绪历程分析。把这些明确的标准整合到自动化系统中是有挑战性的，这不能简单应用常见的嵌入模型等黑盒方法，需要对帖子进行细致的分析和有针对性的建模策略，并且，抑郁检测要求高准确性和高可解释性。作为一项严肃、需要极高安全性的任务，抑郁检测需要高性能的可信方法，同时具有高准确性和高可解释性。虽然传统的非llm方法通常能够实现更高的准确性，但它们通常缺乏可解释性。相反，llm自然地可以为其判
技术实现思路
1、本专利技术提供一种基于大语言模型的抑郁症监测方法及系统，用以解决现有技术中根据社交记录进行抑郁症判断准确性差、成本高的问题。
2、本专利技术提供一种基于大语言模型的抑郁症监测方法，包括：
3、获取用户在社交平台发布的历史贴文，基于历史贴文通过预设的大语言模型提取抑郁症状特征、情绪历程特征和文本历史特征；
4、将所述抑郁症状特征、情绪历程特征和文本历史特征进行集成拼接，构建最终特征向量；
5、将所述最终特征向量输入至预训练的预测模型，通过所述预测模型经过多次迭代后输出预测值，基于预测值生成解释性输出。
6、根据本专利技术提供的一种基于大语言模型的抑郁症监测方法，所述基于历史贴文提取抑郁症状特征，具体包括：
7、基于历史贴文通过预设的文本嵌入模型将贴文内容与症状模板进行文本嵌入；
8、计算每个历史贴文与症状模板之间的平均相似度，通过预设的用于注释的大语言模型对超出第一预设值的平均相似度对应的历史贴文进行注释；
9、根据经过用于注释的大语言模型注释的历史贴文对应的症状模板计算抑郁症状向量，获取抑郁症状特征。
10、根据本专利技术提供的一种基于大语言模型的抑郁症监测方法，所述基于历史贴文提取情绪历程特征，具体包括：
11、获取历史贴文，通过预设的情绪嵌入模型将贴文内容与情绪模板进行文本嵌入；
12、计算所有历史贴文与每个情绪模板之间的相似度，获取相似度超过第二预设值的历史贴文，形成情绪集合；
13、基于所述情绪集合通过预设的用于情绪描述的大语言模型合成用户的情绪历程描述，获取情绪历程特征。
14、根据本专利技术提供的一种基于大语言模型的抑郁症监测方法，所述基于历史贴文提取文本历史特征，具体包括：
15、将历史贴文通过预设的用于文本提取的大语言模型提取文本嵌入量；
16、基于所述文本嵌入量构建历史贴文集合，生成文本历史特征。
17、根据本专利技术提供的一种基于大语言模型的抑郁症监测方法，所述将所述抑郁症状特征、情绪历程特征和文本历史特征进行集成拼接，构建最终特征向量，具体包括：
18、将所述情绪历程特征和文本历史特征进行直接集成相加，生成中间特征；
19、基于所述中间特征与抑郁症状特征进行拼接，生成最终特征向量。
20、根据本专利技术提供的一种基于大语言模型的抑郁症监测方法，将所述最终特征向量输入至预训练的预测模型，通过所述预测模型经过多次迭代后输出预测值，基于预测值生成解释性输出，具体包括：
21、将所述最终特征向量输入至预训练的预测模型，基于预训练的预测模型通过梯度提升树构建决策树集合；
22、在决策树集合内选择最优分裂标准自动执行特征交互，完成特征融合，输出预测值；
23、基于所述预测值通过预设的用于文本解释的大语言模型生成文本类型的解释性输出。
24、本专利技术还提供一种基于大语言模型的抑郁症监测系统，所述系统包括：
25、特征获取模块，用于获取用户在社交平台发布的历史贴文，基于历史贴文通过预设的大语言模型提取抑郁症状特征、情绪历程特征和文本历史特征；
26、特征聚合模块，用于将所述抑郁症状特征、情绪历程特征和文本历史特征进行集成拼接，通过构建决策树集合生成最终特征向量；
27、预测模块，用于将所述最终特征向量输入至预训练的预测模型，通过所述预测模型经过多次迭代后输出预测值，基于预测值生成解释性输出。
28、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于大语言模型的抑郁症监测方法。
29、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于大语言模型的抑郁症监测方法。
30、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于大语言模型的抑郁症监测方法。
31、本专利技术提供的一种基于大语言模型的抑郁症监测方法及系统，通过利用大语言模型强大的文本理解能力，评估每个用户的高风险文本是否反映出抑郁症状，从而为每个用户构建专家特征。此外，为了建模用户的情绪历程，使用文本嵌入模型来过滤情绪强度高的帖子，并利用大语言模型将这些文本总结成用户的情绪历程描述。这些情绪强度高的文本和情绪历程描述随后被向量化，生成情绪变化过程的表示。为了解决高准确性和高可解释性兼得的挑战，结合不同空间的特征，通过使用梯度提升树产生最终判断，达到了高准确性，实现对抑郁症的检测并降低预测成本。
本文档来自技高网...【技术保护点】
1.一种基于大语言模型的抑郁症监测方法，其特征在于，包括：
2.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取抑郁症状特征，具体包括：
3.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取情绪历程特征，具体包括：
4.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取文本历史特征，具体包括：
5.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述将所述抑郁症状特征、情绪历程特征和文本历史特征进行集成拼接，构建最终特征向量，具体包括：
6.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，将所述最终特征向量输入至预训练的预测模型，通过所述预测模型经过多次迭代后输出预测值，基于预测值生成解释性输出，具体包括：
7.一种基于大语言模型的抑郁症监测系统，其特征在于，所述系统包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大语言模型的抑郁症监测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于大语言模型的抑郁症监测方法。
...【技术特征摘要】
1.一种基于大语言模型的抑郁症监测方法，其特征在于，包括：
2.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取抑郁症状特征，具体包括：
3.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取情绪历程特征，具体包括：
4.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述基于历史贴文提取文本历史特征，具体包括：
5.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，所述将所述抑郁症状特征、情绪历程特征和文本历史特征进行集成拼接，构建最终特征向量，具体包括：
6.根据权利要求1所述的基于大语言模型的抑郁症监测方法，其特征在于，将所述最终特征向量输入...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。