基于多模態(tài)社交情感分類的高校學(xué)生心理健康分析*

王 芳趙小明

（1.中國石油大學(xué)（華東）青島軟件學(xué)院、計算機(jī)科學(xué)與技術(shù)學(xué)院 青島 266580）（2.中國石油大學(xué)（華東）控制科學(xué)與工程學(xué)院 青島 266580）

1 引言

大學(xué)生心理健康教育是高校思想政治工作的重要內(nèi)容，關(guān)乎大學(xué)生身心健康和長遠(yuǎn)發(fā)展。特別是輔導(dǎo)員的工作性質(zhì)賦予了心理育人的獨(dú)特優(yōu)勢。對于高校學(xué)生群體，社交媒體，即時通訊手機(jī)應(yīng)用已經(jīng)成為他們記錄生活、表達(dá)觀點(diǎn)、分享交流的主要載體［1］。這些社交數(shù)據(jù)中蘊(yùn)含的信息能夠真實(shí)準(zhǔn)確的反映高校學(xué)生情感現(xiàn)狀和心理狀態(tài)，可以為大學(xué)生心理健康教育提供有效的數(shù)據(jù)支持，為構(gòu)建高校學(xué)生心理預(yù)警機(jī)制提供新的數(shù)據(jù)保障［2］。高校學(xué)生群體在網(wǎng)絡(luò)社交發(fā)表內(nèi)容不局限于文本表達(dá)形式，圖像和網(wǎng)絡(luò)表情作為補(bǔ)充信息常常與主體文本共同出現(xiàn)。本研究聚焦高校學(xué)生網(wǎng)絡(luò)情緒情感表達(dá)問題，依托學(xué)生朋友圈和微博數(shù)據(jù)，提出了一種基于多模態(tài)社交情感分類的高校學(xué)生心理健康分析方法，將情感狀態(tài)表達(dá)劃分主體情感和側(cè)面情感，實(shí)現(xiàn)對學(xué)生情感更細(xì)粒度的分類，并提出一種多模態(tài)數(shù)據(jù)融合方法，以文本數(shù)據(jù)為主體，利用文本、圖像和網(wǎng)絡(luò)表情共同對主體情感進(jìn)行分類，利用圖像和網(wǎng)絡(luò)表情兩種模態(tài)數(shù)據(jù)得到兩種側(cè)面情感，實(shí)現(xiàn)對主體情感的補(bǔ)充。

2 相關(guān)工作

近年來，對于高校學(xué)生群體進(jìn)行情感分析方法主要分為傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法。基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法指使用常見的有監(jiān)督或無監(jiān)督方法，基于社交文本構(gòu)建復(fù)雜的特征工程。Wang等［3］提出了一種新的主題情感分析模型，有效感知學(xué)生對不同話題的情感傾向，為提高教學(xué)實(shí)踐中的信息服務(wù)質(zhì)量提供有力的實(shí)踐參考。Iram等［4］提出了一個自動化方法來檢測學(xué)生在Facebook上發(fā)布的相關(guān)問題是積極的、消極的和中性的。仲偉偉等［5］提出一種利用模糊聚類算法對高校學(xué)生在微博等網(wǎng)絡(luò)社交平臺的文本狀態(tài)進(jìn)行情感分析的方法，有效地發(fā)現(xiàn)學(xué)生的心理健康問題。

而基于深度學(xué)習(xí)的方法為當(dāng)前情感分析的主流方法，Yan等［6］對學(xué)生在論壇上發(fā)出的消息進(jìn)行情感分類，然后應(yīng)用廣義線性混合效應(yīng)模型以統(tǒng)計顯著的方式估計新冠肺炎和在線教學(xué)對人們情緒的影響。劉麗等［7］此提出了一種結(jié)合條件隨機(jī)場和復(fù)雜句式的跨粒度情感分析方法，對學(xué)生微博進(jìn)行細(xì)粒度情感分析，同時分析微博文本的情感傾向，實(shí)現(xiàn)對學(xué)生總體情感傾向的跨粒度分析。王曙燕等［8］針對高校學(xué)生論壇語句具有篇幅短、口語化與多流行用語等特點(diǎn)，提出了一種基于RoBERTa-WWM的高校學(xué)生情感分析方法，充分學(xué)習(xí)語句的局部特征與上下文語境信息。

在情感分析領(lǐng)域，多模態(tài)因為其考慮了不同模態(tài)的數(shù)據(jù)，所以成為了一種有效的提高情感分析效果的方法。宋云峰等［9］提出了一種基于注意力的多層次混合融合的多任務(wù)多模態(tài)情感分析模型MAM，劉路路等［10］對文本和圖片的多模態(tài)數(shù)據(jù)進(jìn)行了方面級情感分析，在公開數(shù)據(jù)集上均取得了不錯的提升效果。然而上述研究缺乏針對高校學(xué)生群體發(fā)表網(wǎng)絡(luò)動態(tài)場景下綜合考慮多種情感進(jìn)行分析，應(yīng)該將多模態(tài)與多情感聯(lián)系起來綜合考慮特定群體的情感分析。因此，我們提出了融合不同模態(tài)的數(shù)據(jù)進(jìn)行主體、側(cè)面情感綜合考慮的情感分析方法。

3 模型方法

3.1 整體架構(gòu)

本研究基于高校學(xué)生群體將朋友圈和微博數(shù)據(jù)，提出的情感分析方法主要分為三部分。首先是融合文本、圖像和網(wǎng)絡(luò)表情特征的主體情感分析模型。其次是將網(wǎng)絡(luò)表情轉(zhuǎn)換為文本，然后通過計算文本相似度來得到側(cè)面情感1。最后是對動態(tài)的配圖進(jìn)行情感分類，得到側(cè)面情感2。所以將高校學(xué)生的情感分析任務(wù)定義為從主體情感空間和側(cè)面情感空間中得到的情感組合。

圖1 模型結(jié)構(gòu)圖

3.2 文本特征提取

BERT［11］作為通過多頭自注意力機(jī)制可以學(xué)習(xí)到文本中的局部特征和全局特征，并且考慮了文本的上下文環(huán)境信息，本研究使用BERT（BERT-Chinese-case）預(yù)訓(xùn)練模型來提取文本特征，并獲相應(yīng)的文本向量。對于高校學(xué)生群體在朋友圈或微博發(fā)布的動態(tài)中的文本定義為T，T可能包含多個句子Si。

對于每個句子Si由單詞序列構(gòu)成（見式（2））。

BERT作為文本編碼層BERT Encoder對文本向量進(jìn)行編碼，得到文本向量H（見式（3））。

3.3 圖像特征提取

本研究使用在ImageNet數(shù)據(jù)集上訓(xùn)練的VGG16［12］模型作為預(yù)訓(xùn)練模型獲取圖像特征。對于高校學(xué)生發(fā)布的動態(tài)數(shù)據(jù)中給定配圖集合P，其由1到J張圖片組合而成。

經(jīng)過VGG16網(wǎng)絡(luò)后，在最后一層池化層POOL可以獲取圖片的特征向量Hp，對于集合P中每一張圖片pj都可以得到響應(yīng)的特征向量Hp j。

3.4 主體情感計算

在提取文本和圖像特征后，將文本特征向量H，圖像特征向量Hp和網(wǎng)絡(luò)表情文本向量He進(jìn)行特征拼接和融合，得到融合后的向量Hc。由于網(wǎng)絡(luò)表情本身是根據(jù)指定文本確定的小圖像，所以可以將網(wǎng)絡(luò)表情轉(zhuǎn)換為文本表示，然后將文本特征向量H和網(wǎng)絡(luò)表情特征向量He進(jìn)行向量拼接，通過拼接函數(shù)得到拼接后的特征向量Hce。

由于文本和圖像兩者的表達(dá)有很大的區(qū)別，所以本研究通過添加全連接層融合文本特征向量Hce和圖像特征向量Hp，經(jīng)過全連接層后得到最終的多模態(tài)數(shù)據(jù)的融合特征向量Hc。式（7）中θ為全連接層參數(shù)。

將得到的融合特征向量Hc經(jīng)過GRU［13］層和全連接層，最終得到預(yù)測出的主體情感。形式化的，對于t位置的輸入為It，當(dāng)前位置的隱藏層的向量表示為，前一個位置的隱藏層的向量表示為。σ為Sigmoid函數(shù)，用于控制更新的門控單位表示為U，其中的學(xué)習(xí)參數(shù)為Uw。對于更新門控的定義見式（8）。

用于控制重置的門控單位表示R，其中的學(xué)習(xí)參數(shù)為Rw：

tanh為激活函數(shù)，Hw對于當(dāng)前位置的隱層輸出的計算過程見式（10）。

Outw為輸出層的學(xué)習(xí)參數(shù)，最終當(dāng)前位置輸出yt計算過程見式（11）。

通過GRU層后再經(jīng)過全連接層，通過SoftMax激活函數(shù)，最終可以得到預(yù)測的主體情感?（見式（12））。

3.5 側(cè)面情感計算

正如3.4節(jié)中所述，網(wǎng)絡(luò)表情作為一種特殊符號，雖然具有圖像的形式但本質(zhì)上是通過文本對其進(jìn)行指定的定義含義。類似的，作為文本，將網(wǎng)絡(luò)表情轉(zhuǎn)換為文本輸入后，經(jīng)過文本編碼層BERT Encoder后得到網(wǎng)絡(luò)表情的文本向量He。如果數(shù)據(jù)中存在多個網(wǎng)絡(luò)表情，則將所有網(wǎng)絡(luò)表情得到的文本向量拼接起來再進(jìn)行情感分類。將得到的文本向量通過全連接層后直接計算側(cè)面情感。通過3.3節(jié)部分提取圖像特征后，可以得到動態(tài)中配圖的特征。通過VGG16模型可以直接進(jìn)行圖像的側(cè)面情感分類。

4 實(shí)驗結(jié)果與分析

4.1 實(shí)驗設(shè)置

本研究收集了312名高校學(xué)生的朋友圈和微博動態(tài)構(gòu)建情感數(shù)據(jù)集MSD（Multimodal Sentiment Dataset）作為實(shí)驗數(shù)據(jù)集。數(shù)據(jù)集總共有5482條樣本。本研究將高校學(xué)生情感表達(dá)分為了主體情感和側(cè)面情感，其中主體情感分為正向（1863條）、負(fù)向（2100條）、中性（1519條）3種，側(cè)面情感包括喜悅、支持、祝福等9種合計5480條。

4.2 結(jié)果分析

在本文提出的情感分析方法在數(shù)據(jù)集MSD上進(jìn)行迭代訓(xùn)練，表1中的實(shí)驗結(jié)果表明，在數(shù)據(jù)集MSD上我們的方法對于含有不同模態(tài)的社交動態(tài)可以提取主體情感，比其他方法取得了更好的抽取效果。

表1 不同模型在MSD數(shù)據(jù)集上主要情感分類的性能

對于側(cè)面情感分類實(shí)驗，實(shí)驗結(jié)果在表2列出，實(shí)驗表明本研究提出的方法可以有效的對網(wǎng)絡(luò)表情和配圖兩種不同模態(tài)數(shù)據(jù)單獨(dú)進(jìn)行側(cè)面情感的分類。

表2 不同模型在MSD數(shù)據(jù)集上側(cè)面情感分類的性能

為進(jìn)一步論證所提出方法的有效性，在公開數(shù)據(jù)集Yelp［14］進(jìn)行了進(jìn)一步的測試，實(shí)驗結(jié)果在表3中列出。

表3中包含了Yelp數(shù)據(jù)集中5個不同的美國城市，其中，a和m分別表示參與實(shí)驗的算法平均池化和最大池化兩個超參數(shù)。實(shí)驗結(jié)果表明，本文所提出的方法，在公開數(shù)據(jù)集Yelp上相較于其他的基準(zhǔn)算法至少提升了6%的準(zhǔn)確率。

另外，我們在Twitter反諷數(shù)據(jù)集上進(jìn)行了對比實(shí)驗［18］，實(shí)驗結(jié)果在表4中列出，實(shí)驗結(jié)果表明我們的方法在Twitter反諷數(shù)據(jù)集上相較于其他方法提高了4%左右的準(zhǔn)確率，3%左右的F1值。

5 結(jié)語

針對高校學(xué)生心理健康狀態(tài)分析任務(wù)中學(xué)生社交動態(tài)數(shù)據(jù)模態(tài)的多樣性和學(xué)生情感表達(dá)的復(fù)雜性，本研究提出了一種基于多模態(tài)社交情感分類的高校學(xué)生心理健康分析方法，通過將情感表達(dá)劃分為主體情感加側(cè)面情感補(bǔ)充的方式來簡化了復(fù)雜的情感表達(dá)，并盡可能還原情感表達(dá)的完整性。同時提出一種多模態(tài)數(shù)據(jù)融合方法，利用文本、圖像和網(wǎng)絡(luò)表情共同對主體情感進(jìn)行分類，并分別利用圖像和網(wǎng)絡(luò)表情兩種模態(tài)的數(shù)據(jù)表征兩種側(cè)面情感，實(shí)現(xiàn)對主體情感的補(bǔ)充。實(shí)驗表明，本研究各項指標(biāo)在多個數(shù)據(jù)集上都有較高的預(yù)測效果，可以有效地對高校學(xué)生社交數(shù)據(jù)進(jìn)行情感預(yù)測。通過對高校學(xué)生心理狀態(tài)和情感表達(dá)的分析，為廣大教育工作者提供了直觀的指導(dǎo)，實(shí)現(xiàn)了高校學(xué)生工作與新技術(shù)的結(jié)合，推進(jìn)了線上線下相結(jié)合的心理工作機(jī)制，增強(qiáng)了網(wǎng)絡(luò)平臺建設(shè)的親和力和針對性。