[发明专利]一种基于社交网络数据的用户周期性心理压力检测方法

说明书

一种基于社交网络数据的用户周期性心理压力检测方法，步骤如下：1、将非结构化的社交网络状态数据映射为压力时间序列；2、针对特定压力源实现压力序列分解，得到压力源相关子序列，并正则化处理；3、考虑情绪的连续性特点，形式化定义并建模压力/非压力波形，实现单点离散压力序列到基于压力波形的形状序列抽象化转换；4、在形状序列基础上扩展传统动态时间弯折算法计算得到用户特定压力源下的压力周期；5、将形状序列上的周期转化为实际时间单位，得到包括每个重复周期中的平均压力峰值、最小值、持续时长的更丰富的周期化压力语义信息。本发明依托大数据背景，原创性地描述并定义周期性压力，填补了用户周期性压力检测在心理学以及数据挖掘方面的空白。

技术领域

本发明涉及数据挖掘、计算机应用技术领域，具体涉及一种基于社交网络数据的用户周期性心理压力检测方法。

背景技术

随着大数据时代的到来、社交媒体的迅速发展，推特、新浪微博、facebook等社交平台成为人们记录生活日常，分享信息资讯以及与好友互动交流的网络媒介。社交网络中丰富的语料以及实时的用户数据，使得通过社交网络大数据进行用户日常心理压力的检测成为可能。相比于传统心理学通过心理医生访谈或问卷填写进行心理压力分析的方式，社交网络以其高覆盖率、低成本、及时的特点成为当前心理健康研究的重要媒介。现有基于社交网络大数据的心理压力检测尚处于起步阶段，主要集中于单条社交状态中的压力状态感知，通过从社交状态文本中抽取相关压力特征，诸如负面情感表达程度、语气程度、用户针对好友评论的回复率等内容及行为特征，借助分类算法对单条社交状态中的压力类别进行匹配、对相应压力级别进行分类检测。

相比于某一时刻单条社交状态中表述的压力，用户在一段时间内诸如周期性压力等的上层压力模式更能够反映用户的总体心理压力状态变化趋势，对理解用户的心理压力状态、压力承受能力等提供更大的指导意义。

周期性压力对应一种相对稳定、规律的用户压力趋势，因此，通过分析用户的周期性压力，能够将该用户随时间变化的压力序列分解为周期压力对应的稳定波形以及其他非周期的随机事件触发的随机波形，进一步帮助分析不同随机事件对用户压力的影响以及检测随机压力事件。其次，实际中用户可能同时受多种压力事件影响，多种压力共同作用时往往会对用户产生1+1>2的叠加效应，在缺乏其他有效信息的情况下，这种叠加效应很难量化，然而，若已知用户较为稳定的周期性压力表现，能够为压力叠加效应的量化提供一定的线索。周期性重复出现的压力本身以及上述通过周期性压力而观察到并得以量化的现象，能够为心理压力的预测提供有力的线索，及时准确捕捉用户心理压力状态变化，有效地用于用户心理压力的预测、预警并进行及时有效的针对性疏导。

由此可见周期性压力模式在压力分析中的重要性。然而，现有基于社交网络的心理压力感知研究目前仅限于单条社交状态的压力检测以及在此基础上的相关压力感知、疏导应用，尚未有研究涉及社交网络中的用户周期性压力模式感知。

抛开心理压力检测相关应用场景，周期性问题作为时间序列上的基本研究问题之一，检测算法主要有移动比较法，基于前缀树/前缀矩阵方法，以及基于图论的方法。相比于上述常规时间序列上的周期性子序列检测，周期性压力有其独有的特点：

1)首先，不同于常规时间序列，压力时间序列隐含语义信息——引发压力的压力源多种多样，各种压力源混合在一起会模糊原有的压力趋势，因此在压力的周期性研究中必须区分压力源。

2)其次，基于人类情感的连续性特点，周期性压力应是一段较为持续的状态重复，而非常规序列上严格的单点离散重复，因此压力的周期性研究应以趋势即波形描述，而非传统时间序列周期性检测中单点的周期性重复。

社交网络中用户的压力表达天然具有随机性、稀疏性的特点，导致用户压力时间序列稀疏，因此基于社交网络的周期性压力检测具有以下两大挑战：

挑战1：信息有限、用户表达模糊、稀疏的情况下如何有效区分压力源及其对应的用户压力子序列。

挑战2：如何检测一段连续波形上的周期性重复趋势。