1.融合推文信息和行为特征的社交网络用户抑郁症检测方法，其特征在于包括如下步骤：步骤1、从新浪微博数据库爬取用户数据集并进行文本清洗，通过手动标注生成抑郁用户数据集和非抑郁用户数据集；

步骤2、融合多通道CNN和基于注意力机制的BiGRU对用户每条推文的情感倾向进行分析，获得用户推文的情感倾向概率值；从每个用户的历史推文中，随机移除一定比例p的正情感倾向推文，将剩下的推文拼接成用户历史文本T；

步骤3、提取用户的发帖时间、转发行为和图像发布行为的特征构成用户行为特征向量；

步骤4、搭建融合用户历史文本T和用户行为特征向量的抑郁检测模型，将T输入BiGRU层和前馈注意力层得到每个用户历史文本的特征向量，融合用户历史文本的特征向量和用户行为特征向量，后输入到全连接层和softmax层；

步骤5、利用Adam优化方法对抑郁检测模型进行训练，训练完后用测试集对用户的抑郁状态进行检测；

步骤1具体实现如下：

1‑1.从新浪微博上收集候选抑郁用户数据集；随机选择几个与抑郁相关话题，然后从每个相关话题中爬取候选抑郁用户；爬取的这些候选抑郁用户的历史数据，包括历史推文、发布时间、是否为转发推文、是否发布图像信息；

1‑2.针对候选抑郁用户数据集，选择在其推文中提到抑郁症诊断病史的用户，设定为抑郁用户；此外，如果用户的推文中包含抑郁领域相关的症状词包括“自杀”、“抑郁”，以及一些相关的治疗药物包括“舍曲林”、“氟西汀”，同样设定为抑郁用户；

1‑3.从抑郁非相关主题中随机选取用户，并爬取这些用户的历史数据，包括历史推文、发布时间、是否为转发推文、是否发布图像信息，构成非抑郁用户数据集；

1‑4.针对每个用户的文本数据，通过分词和数据过滤进行文本数据的清洗；使用“Jieba”分词包进行文本分词；数据过滤主要是去除“#”主题、URL信息、不规则字符、停用词，以及官方账号用户，并将表情符号转化成文本信息；

步骤2具体实现如下：

2‑1.利用大规模中文Wikipedia数据集预训练CBOW模型，以此得到中文词的嵌入向量；

n×d

将每个用户的历史推文ti经过CBOW模型后用一个矩阵S∈R 来表示，其中n表示推文中词的个数，d表示每个词的嵌入向量维度；

2‑2.将矩阵S输入到多通道CNN中，多通道CNN包含卷积层和池化层；在卷积层中，假定h×d卷积核W∈R ，h＝{2,3,4}为卷积核的大小，通过卷积核W获得特征向量a＝[a0,a1,...,n‑h+1an‑h]∈R ，aj＝σ(W·Si:i+h‑1+b)；其中，σ表示非线性函数，b代表偏置项,Si:i+h‑1表示矩阵S的第i行到第i+h‑1行；池化层中：将不同卷积核下的卷积层的输出输入到池化层，提取出固定维数下最重要的特征O；

2‑3.将每个推文输入到基于注意力的BiGRU模型中；将第一层设计为具有正向GRU和后向GRU结构的BiGRU层；第一层中，来自两个方向的隐藏层的输出被连接为BiGRU层的最终输出；将第二层设计为前馈(feed‑forward)注意层，以获得一个具有固定长度的表示向量：ci＝tanh(Wihi+bi)

1×d

其中，hi表示单词si在BiGRU层的输出向量,ci表示全连接层的输出，Wi∈R 和bi∈R是注意力计算过程中的权重和偏置，h代表注意力层的输出，αi代表单词si的注意力分配系数；

2‑4.将步骤2‑2的输出的特征O和步骤2‑3注意力层的输出h进行拼接得到向量V＝[O,h]；将V输入到全连接层中，并在全连接层后加入dropout层以防止过拟合；在dropout层之后设计softmax层，输出得到用户特定推文ti的正负情感倾向概率值p(yi＝'positive')和p(yi＝'negative')；p(yi＝'positive')代表推文为正向情感倾向的概率值，p(yi＝'negative')代表推文为负向情感倾向的概率值；

2‑5.利用Adam优化器对模型进行训练；

2‑6.从每个用户的历史推文中，随机移除一定比例p的正情感推文，将剩下的推文拼接成历史文本T；

步骤3具体实现如下：

3‑1.为了提取某用户的发布时间特征，提取每个用户一周内每小时发布的推文比例；

根据特定某小时发布的推文数计算其比例 一天内的推文

发布时间可以形成24维特征，一周内的推文形成168维的发布时间特征，记为ft；

3‑2.为了提取某用户的转发行为特征，提取某用户前150条历史推文的转发标签作为转发行为特征向量；若某推文转发自其他人的推文，则转发标签设定为1，否则为0；如果某个用户的历史推文少于150条，则用1填充向量；生成的用户转发行为特征向量记为fr；

3‑3.为了提取用户的图像发布特征，提取某用户前150条历史推文的图像发布标签组成特征向量；若用户发布的某推文含有图像信息，则图像发布标签设定为1，否则为0；如果某个用户的历史推文少于150条，则用0填充向量；生成的图像发布特征向量记为fg；

3‑4.由于不同特征的取值范围不同，将特征ft通过min‑max归一化方法归一化到[0,1]，得到f't，再将f't、fr和fg特征向量进行拼接得到f；f为用户的行为特征向量，维度为468；

所述步骤4具体实现如下：

4‑1.利用步骤2‑1训练得到的CBOW模型，获得某用户历史文本T中每个词的嵌入向量，m×d形成历史推文序列S'∈R ，其中m表示历史推文序列中词的总个数，d表示每个词的嵌入向量维度，d＝300；

4‑2.将每个用户的历史推文序列S'输入基于注意力的BiGRU模型中；将第一层设计为具有正向GRU和后向GRU结构的BiGRU层；在这一层中，来自两个方向的隐藏层的输出被连接为BiGRU的最终输出；将第二层设计为前馈注意层，以获得一个具有固定长度的表示向量：ci'＝tanh(Wi'hi'+bi')

其中，hi'表示历史推文序列S'中的单词s'i在BiGRU的输出向量,ci'表示全连接层的输

1×d

出，Wi'∈R 和bi'∈R是注意力计算过程中的权重和偏置，αi'代表词汇si'的注意力分配系数，h'代表注意力层的输出，即用户历史文本的特征向量；

4‑3.将用户历史文本的特征向量h'和用户行为特征向量f进行拼接，输入到全连接层中，之后设计sigmoid层，输出得到用户的抑郁概率值其中， 表示全连接层的输出，Wf和bf代表权重和偏置，并定义交叉熵损失函数为：其中，K代表训练集的个数。

2.根据权利要求1所述的融合推文信息和行为特征的社交网络用户抑郁症检测方法，其特征在于所述步骤3具体实现如下：抑郁检测模型训练完后，将测试集输入抑郁检测模型，过滤一定比例p的正情感推文，然后将每个用户剩下的推文组成用户的历史推文，并根据步骤3提取用户的行为特征向量，将两者输入到训练好的抑郁检测模型中，输出某用户患有抑郁症的概率值。