[論文レビュー] Building and Using Personal Knowledge Graph to Improve Suicidal Ideation Detection on Social Media

Lei Cao, Huijun Zhang+1 more|arXiv (Cornell University)|Dec 16, 2020

Mental Health via Writing参考文献 77被引用数 14

ひとこと要約

本論文は、投稿、性格特性、人生経験などの個人的要因を統合した自殺志向性知識グラフに、深層学習フレームワークを組み合わせることで、ソーシャルメディア上の自殺的思考検出を向上させる知識グラフ拡張型の深層学習フレームワークを提案する。マルチモーダルデータ（テキスト、画像、ソーシャルグラフ、知識）に対して二段階のアテンション機構を適用することで、マイクロブログおよびRedditデータセットで93％以上の正確性を達成した。投稿内容、ストレスレベル、反復的思考（リマニエーション）が、最も顕著な予測要因として浮き彫りになった。

ABSTRACT

A large number of individuals are suffering from suicidal ideation in the world. There are a number of causes behind why an individual might suffer from suicidal ideation. As the most popular platform for self-expression, emotion release, and personal interaction, individuals may exhibit a number of symptoms of suicidal ideation on social media. Nevertheless, challenges from both data and knowledge aspects remain as obstacles, constraining the social media-based detection performance. Data implicitness and sparsity make it difficult to discover the inner true intentions of individuals based on their posts. Inspired by psychological studies, we build and unify a high-level suicide-oriented knowledge graph with deep neural networks for suicidal ideation detection on social media. We further design a two-layered attention mechanism to explicitly reason and establish key risk factors to individual's suicidal ideation. The performance study on microblog and Reddit shows that: 1) with the constructed personal knowledge graph, the social media-based suicidal ideation detection can achieve over 93% accuracy; and 2) among the six categories of personal factors, post, personality, and experience are the top-3 key indicators. Under these categories, posted text, stress level, stress duration, posted image, and ruminant thinking contribute to one's suicidal ideation detection.

研究の動機と目的

• ユーザーの表現がしばしば暗黙的であり、データが疎であるという課題に、ソーシャルメディア上での自殺的思考検出を改善することを目的とする。
• 心理的知識を個人に特化した自殺志向性知識グラフに統合することで、検出性能を向上させることを目的とする。
• 自殺的思考に寄与する主な個人的要因（性格、経験、投稿内容など）を同定することを目的とする。
• 個人の知識を明示的に処理できる解釈可能性と正確性に優れた、マルチモーダルでアテンションベースの深層学習モデルを開発することを目的とする。

提案手法

• 投稿、性格、経験、社会的相互作用、人口統計、精神的健康の6つのカテゴリーの個人的要因を統合した、高レベルの自殺志向性個人知識グラフを構築した。
• 深層ニューラルネットワークを用いて、テキスト、画像、ソーシャルネットワーク構造からの特徴を抽出・統合し、知識グラフに統合した。
• 二段階のアテンション機構を設計した：第一段階はユーザーの投稿における重要な情報を注目し、第二段階は知識グラフのエンティティを用いて、重要なリスク要因を強調する。
• テキスト、画像、ソーシャルグラフ、知識グラフのマルチモーダル入力を統合し、統合的表現学習を実現するエンドツーエンドの深層学習フレームワークを構築した。
• 教師あり学習と自己教師あり学習の組み合わせを用いて、Sina Weibo（中国語マイクロブログ）およびRedditの2つの実世界データセットでモデルを学習した。

Figure 1: Two users’ normal posts versus their hidden tree hole posts on Sina Weibo.

実験結果

リサーチクエスチョン

• RQ1 自殺的思考の個人レベルのリスク要因を的確に表現するため、個人知識グラフを効果的に構築する方法は何か？
• RQ2 投稿内容、性格特性、人生経験などの異なる個人的要因が、自殺的思考の予測に果たす役割は何か？
• RQ3 知識グラフエンティティを明示的に処理することで、二段階のアテンション機構が自殺的思考検出の解釈可能性と正確性を向上させられるか？
• RQ4 テキスト、画像、ソーシャルグラフ、知識グラフのマルチモーダルデータ統合は、単モーダルまたは限定的マルチモーダルベースラインと比較して、検出性能にどのように影響を与えるか？

主な発見

• 提案された知識グラフベースの手法は、Sina WeiboおよびRedditの両データセットで93％以上の正確性を達成し、最先端の手法を著しく上回った。
• 6つの個人的要因カテゴリーの中で、投稿内容、性格特性、人生経験が自殺的思考検出の上位3つの重要な指標であると特定された。
• 投稿カテゴリー内では、投稿本文が最も影響力が強く、次にストレスレベルとストレス持続期間が続くことが判明した。
• 反復的思考（リマニエーション）と投稿画像も、検出性能に顕著な貢献をしたことが判明した。
• モデルの推論時間は他の深層学習手法と同等であり、マルチモーダル統合のため、知識グラフ拡張モデルはやや長い学習時間を要した。
• データ品質が性能に顕著に影響した：ノイズが少ない（例：本物のユーザーID、十分な投稿履歴）データは、より高い検出正確性を示し、データの信頼性が重要であることが示唆された。

Figure 2: Distributions of normal post numbers from 7,329 users (3,652 with suicidal ideation and 3,677 ordinary users) from May 1,2018 to April 30,2019 on Sina Weibo.