[논문 리뷰] Building and Using Personal Knowledge Graph to Improve Suicidal Ideation Detection on Social Media

Lei Cao, Huijun Zhang외 1명|arXiv (Cornell University)|2020. 12. 16.

Mental Health via Writing참고 문헌 77인용 수 14

한 줄 요약

이 논문은 개인적 요인—예를 들어 게시물, 성격 특성, 삶의 경험—을 우울사 위험 지향 지식 그래프에 통합하여 소셜 미디어에서 자살 생각 탐지 성능을 향상시키는 지식 그래프 기반 강화 딥러닝 프레임워크를 제안한다. 다중모달 데이터(텍스트, 이미지, 소셜 그래프, 지식)에 이중층 주의 메커니즘을 적용한 결과, 블로그 및 Reddit 데이터셋에서 93% 이상의 정확도를 달성하였으며, 게시물 내용, 스트레스 수준, 반복적 사고가 상위 예측 요소로 부각되었다.

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.

연구 동기 및 목표

• 사용자 표현이 종종 암묵적이며 데이터가 희소한 소셜 미디어에서 자살 생각을 탐지하는 데 도전하는 문제를 해결하기 위해.
• 개인화된 우울사 지향 지식 그래프에 심리학적 지식을 통합하여 탐지 성능을 향상시키기 위해.
• 성격, 경험, 게시물 내용과 같은 가장 영향력 있는 개인적 요인들이 자살 생각에 기여하는 방식을 특정하기 위해.
• 개인 지식을 명시적으로 추론할 수 있는 다중모달, 주의 기반 딥러닝 모델을 개발하여 해석 가능성과 정확도를 향상시키기 위해.

제안 방법

• 게시물, 성격, 경험, 사회적 상호작용, 인구통계학적 요소, 정신건강의 6개 카테고리의 개인적 요소를 통합한 고수준의 우울사 지향 개인 지식 그래프를 구축하였다.
• 딥 네ural 네트워크를 활용해 텍스트, 이미지, 소셜 네트워크 구조에서 특징을 추출하고 지식 그래프에 통합하였다.
• 이중층 주의 메커니즘 설계: 첫 번째 레이어는 사용자 게시물의 핵심 정보에 주목하고, 두 번째 레이어는 지식 그래프 엔티티를 바탕으로 중요한 위험 요소를 강조한다.
• 텍스트, 이미지, 소셜 그래프, 지식 그래프의 다중모달 입력을 종합적으로 통합하여 종단 간 표현 학습을 위한 엔드 투 엔드 딥러닝 프레임워크를 구현하였다.
• 감독 학습과 자기학습 학습의 조합을 사용하여 실세계 데이터셋인 Sina Weibo(중국 블로그)와 Reddit에서 모델을 훈련시켰다.

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

실험 결과

연구 질문

• RQ1 자살 생각에 대한 개인 수준의 위험 요인을 효과적으로 표현하기 위해 개인 지식 그래프를 어떻게 구성할 수 있는가?
• RQ2 게시물 내용, 성격 특성, 삶의 경험과 같은 다양한 개인적 요소들이 자살 생각 예측에 어떤 역할을 하는가?
• RQ3 이중층 주의 메커니즘이 지식 그래프 엔티티를 명시적으로 추론함으로써 자살 생각 탐지의 해석 가능성과 정확도를 향상시킬 수 있는가?
• RQ4 텍스트, 이미지, 소셜 그래프, 지식 그래프의 다중모달 데이터 통합이 단모달 또는 제한된 다중모달 기반 모델 대비 탐지 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 지식 그래프 기반 방법은 Sina Weibo 및 Reddit 데이터셋에서 모두 93% 이상의 정확도를 달성하여 최신 기술보다 뚜렷이 뛰어난 성능을 보였다.
• 6개의 개인적 요인 카테고리 중에서 게시물 내용, 성격 특성, 삶의 경험은 자살 생각 탐지의 상위 3개 핵심 지표로 규명되었다.
• 게시물 카테고리 내에서 실제 게시물 텍스트가 가장 영향력 있는 요소였으며, 이어 스트레스 수준과 스트레스 지속 시간이 뒤이었다.
• 반복적 사고와 게시된 이미지도 탐지 성능 향상에 기여하는 중요한 요소로 확인되었다.
• 모델의 추론 시간은 다른 딥러닝 방법과 유사했으며, 다중모달 통합으로 인해 지식 그래프 기반 모델은 약간 더 많은 학습 시간이 소요되었다.
• 데이터 품질은 성능에 큰 영향을 미쳤다: 낮은 노이즈(예: 실제 사용자 신원, 충분한 게시 기록)는 더 높은 탐지 정확도를 유도했으며, 이는 데이터 신뢰성이 핵심임을 시사한다.

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.