[论文解读] Social Media-based Substance Use Prediction

Tao Ding, Warren K. Bickel+1 more|arXiv (Cornell University)|May 16, 2017

Spam and Phishing Detection参考文献 32被引用 5

一句话总结

本文提出了一种多视角、无监督的机器学习框架，利用 Facebook '点赞' 和 '状态更新' 预测物质使用疾患（SUD），在烟草使用上达到 86% AUC，酒精使用为 81%，药物使用为 84%，优于以往方法。该方法结合了从大规模无监督社交媒体数据中提取的文本挖掘与特征学习，以提升检测能力并揭示 SUD 的行为相关因素。

ABSTRACT

In this paper, we demonstrate how the state-of-the-art machine learning and text mining techniques can be used to build effective social media-based substance use detection systems. Since a substance use ground truth is difficult to obtain on a large scale, to maximize system performance, we explore different feature learning methods to take advantage of a large amount of unsupervised social media data. We also demonstrate the benefit of using multi-view unsupervised feature learning to combine heterogeneous user information such as Facebook `"likes" and "status updates" to enhance system performance. Based on our evaluation, our best models achieved 86% AUC for predicting tobacco use, 81% for alcohol use and 84% for drug use, all of which significantly outperformed existing methods. Our investigation has also uncovered interesting relations between a user's social media behavior (e.g., word usage) and substance use.

研究动机与目标

• 开发一种可扩展、低成本的方法，利用大规模无监督社交媒体数据检测物质使用疾患（SUD）。
• 通过多视角学习整合异构用户数据——特别是 Facebook '点赞' 和 '状态更新'——以提升预测性能。
• 通过相关性分析，揭示社交媒体语言使用与 SUD 之间的可解释关系。
• 证明无监督和多视角特征学习在 SUD 预测中优于传统仅监督的方法。

提出的方法

• 在大规模未标注社交媒体数据上应用无监督特征学习技术（SPE 和 SLE），以提取有意义的用户表征。
• 应用多视角学习，融合来自两种不同数据模态（Facebook '点赞' 和 '状态更新'）的特征，构建更全面的用户画像。
• 使用潜在狄利克雷分配（LDA）识别点赞和状态更新中的主题分布，以发现与 SUD 相关的主题。
• 应用 LIWC（语言探究与词频统计）分析状态更新中的语言特征，并将其与 SUD 结果相关联。
• 在组合特征上训练监督模型（如逻辑回归）以预测 SUD，使用 AUC 作为主要评估指标。
• 进行斯皮尔曼等级相关性分析，以识别特定词汇、主题与物质使用行为之间的显著关联。

实验结果

研究问题

• RQ1 与仅监督的基线方法相比，从大规模社交媒体数据中进行无监督特征学习是否能显著提升 SUD 预测性能？
• RQ2 结合异构数据源（如 Facebook '点赞' 和 '状态更新'）如何提升 SUD 预测模型的准确性？
• RQ3 社交媒体内容中的语言和行为模式中，哪些与物质使用疾患显著相关？
• RQ4 点赞和状态更新中的特定主题在多大程度上能预测烟草、酒精或药物使用？
• RQ5 从社交媒体行为推断出的年龄、性别和心理特质如何与 SUD 风险相关？

主要发现

• 表现最佳的模型在烟草使用上达到 86% AUC，酒精使用为 81%，药物使用为 84%，显著优于现有方法。
• 结合 '点赞' 和 '状态更新' 的多视角学习方法，相比仅使用单一数据模态的模型，性能有显著提升。
• 与愤怒相关的词汇（如 'hate'、'kill'）和与健康相关的词汇（如 'clinic'、'pill'）与药物使用呈正相关，而过去时态词汇（如 'did'、'ago'）则呈负相关。
• 与女性相关的词汇（如 'girl'、'woman'）与酒精使用呈正相关，而与男性相关的词汇（如 'boy'、'man'）与药物使用呈负相关。
• 在 'likes' 中偏好摇滚音乐以及《V 字仇杀队》和《怒火攻心》等电影，与烟草和药物使用呈正相关。
• 与夜间生活和粗口相关的主题与酒精和烟草使用呈正相关，而与学校和家庭相关的主题则与 SUD 呈负相关。