[论文解读] Predicting Opioid Relapse Using Social Media Data

Zhou Yang, Long Nguyen+1 more|arXiv (Cornell University)|Nov 14, 2018

Mental Health via Writing参考文献 25被引用 4

一句话总结

本研究提出了一种生成对抗网络（GAN）模型，通过分析康复者在Reddit上的帖子中情感与社交影响力模式，预测阿片类药物复吸。该模型准确率达到83.9%，F1得分达到85.47%，优于逻辑回归、支持向量机（SVM）和K近邻（KNN）方法，且生成的情感图像揭示了‘喜悦’与‘负面’情绪是复吸的关键指标。

ABSTRACT

Opioid addiction is a severe public health threat in the U.S, causing massive deaths and many social problems. Accurate relapse prediction is of practical importance for recovering patients since relapse prediction promotes timely relapse preventions that help patients stay clean. In this paper, we introduce a Generative Adversarial Networks (GAN) model to predict the addiction relapses based on sentiment images and social influences. Experimental results on real social media data from Reddit.com demonstrate that the GAN model delivers a better performance than comparable alternative techniques. The sentiment images generated by the model show that relapse is closely connected with two emotions `joy' and `negative'. This work is one of the first attempts to predict relapses using massive social media data and generative adversarial nets. The proposed method, combined with knowledge of social media mining, has the potential to revolutionize the practice of opioid addiction prevention and treatment.

研究动机与目标

• 为解决早期预测阿片类药物复吸的迫切需求，以改善预防与治疗结果。
• 利用Reddit的社交媒体数据作为实时、可扩展的行为与情绪复吸指标来源。
• 开发一种基于生成对抗网络（GAN）的新型深度学习框架，整合情感与社交影响力特征以实现复吸预测。
• 在人工标注的1,000名用户数据集上，将模型性能与逻辑回归、SVM和KNN等传统机器学习方法进行对比验证。

提出的方法

• 该模型采用GAN架构，包含生成器与判别器，基于表示情感与社交影响力层级的双通道输入图像进行训练。
• 从Reddit帖子中提取情感与社交影响力特征，并转换为每位用户的双通道图像表示。
• 生成器从随机噪声生成合成情感图像，判别器则区分真实图像与生成图像，以优化数据分布的学习。
• 训练使用Adam优化器，学习率为0.0001，共训练7,000个周期，模型在约2,100个周期后实现收敛。
• 通过使用训练数据的50%、60%、70%、80%与90%来评估模型在不同数据可用性下的性能。
• 使用TensorFlow进行实现，张量维度通过标准卷积神经网络原理计算。

实验结果

研究问题

• RQ1 Reddit的社交媒体数据能否有效用于预测未来一周内的阿片类药物复吸？
• RQ2 基于GAN的模型在复吸预测性能上与逻辑回归、SVM和KNN等传统监督方法相比如何？
• RQ3 在社交媒体帖子中捕捉到的哪些情绪状态与即将发生的复吸关联最为紧密？
• RQ4 社交影响力模式与情感动态在多大程度上与康复期阿片类药物使用者的复吸风险共同变化？

主要发现

• GAN模型实现了83.90%的准确率与85.47%的F1得分，在所有数据划分大小下均显著优于逻辑回归、SVM与KNN。
• 生成器学习到的潜在空间生成的情感图像，持续凸显‘喜悦’与‘负面’情绪与复吸存在强烈关联。
• 生成器与判别器的损失曲线在约2,100个周期后趋于稳定，表明模型在约13小时训练后实现收敛。
• 即使在训练数据减少至50%时，模型仍保持较强性能，准确率达到71.40%，F1得分为77.16%。
• 带有多个白色区域（表示混合情绪）的情感图像与更长、情绪更复杂的帖子相关，提示复吸前存在更深层的心理状态。
• 本研究证明，对社交媒体内容的生成建模能够揭示有意义且可解释的情感模式，这些模式可预测复吸。