基于深度學習的網(wǎng)絡心理咨詢問題智能多分類模型

程會林 曾偉 楊琳琳 岑蕭萍 蔣琳琳

摘 要：為了簡化網(wǎng)絡心理咨詢分診流程和降低咨詢助理的勞動強度，提出一種基于深度學習的網(wǎng)絡心理咨詢問題智能多分類模型。采用Word2vec對來訪者的自述情況進行文本特征提取，設計卷積神經網(wǎng)絡的深度學習分類器，實現(xiàn)對來訪者咨詢問題的智能分類。與傳統(tǒng)機器學習分類方法相比，所提方法的準確率提升約20%。本研究為網(wǎng)絡心理咨詢問題的智能分診提供了一種新方法。

關鍵詞：網(wǎng)絡心理咨詢；自述分類，Word2vec；卷積神經網(wǎng)絡

1 引言

隨著互聯(lián)網(wǎng)技術的不斷發(fā)展，網(wǎng)絡心理咨詢逐漸發(fā)展起來，僅“525心理網(wǎng)”便已解決近857萬個心理問題。心理咨詢網(wǎng)站一般配備有一名咨詢助理，根據(jù)來訪者的自述情況進行分類，匹配到合適的心理咨詢師。然而，這種分診的準確性與效率依賴于咨詢助理的經驗知識。為減輕咨詢助理的負擔，本文提出一種對咨詢問題進行智能分診的方法。傳統(tǒng)的分類方法需要進行復雜的處理來進行特征提取，再根據(jù)提取的特征來訓練分類器。卷積神經網(wǎng)絡通過結構重組和減少權值將特征提取和分類功能進行融合，這種結構比以往多種算法性能更為高效[7]。因此，本文擬利用文本挖掘技術，設計卷積神經網(wǎng)絡多分類模型，對來訪者的自述情況進行智能分類，簡化分診流程。

2 實驗步驟與分析

2.1 流程圖

2.2 數(shù)據(jù)預處理

為獲得數(shù)據(jù)，訓練分類模型以供使用，本文利用八爪魚采集器從“咨詢中國網(wǎng)”中爬取“公益心理問答模塊”數(shù)據(jù)，共得到6個類別，分別為“婚戀情感”“親子關系”“人際關系”“認識自我”“壓力疏導”及“子女成長”。但每一類數(shù)據(jù)的數(shù)量不同，為使訓練時類別均衡，本文將“親子關系”“人際關系”及“子女成長”合并為“關系成長”類。最終共有4個類別，其中婚戀情感自述情況條數(shù)310條，關系成長自述情況條數(shù)284條，認識自我自述情況條數(shù)310條，壓力疏導自述情況條數(shù)310條。

利用結巴分詞（jieba）將爬取的數(shù)據(jù)分詞，因文本并不長，所以未加載停用詞，例如“我覺得我活得很累”被分為了“我覺得我活得很累”。

將分詞后結果轉為txt文本，代入Word2vec模型[1]，得到256維的詞向量，即一個中文詞（t）由256個數(shù)字表示，表示為R（t）。為訓練出更好的詞匯模型，本文使用約43萬條，涉及影視、小說、心理、司法內容的文本進行訓練，得到新的Word2vec結果。

R（t）=Word2vec（t）

接著利用訓練得到的Word2vec模型，計算每條自述情況的向量R（dj），即句子dj中n個詞匯的Word2vec向量的均值，表示為：

2.3 模型構建

以256維的文本向量作為特征，分類標簽作為label，分別使用決策樹[2]、隨機森林[3]、SVM[4]及卷積神經網(wǎng)絡[5]進行建模。

將一條文本所得的256維向量看作16×16的二維矩陣。將32個5×5的小型矩陣，作為第一層的卷積核，對于大矩陣中的每個值，計算其周圍的值與卷積核對應位置的乘積，將結果相加最終得到的終值則為新矩陣該位置的值。

一層卷積的操作可概括為：

（1）文本向量通過多個不同的卷積核的濾波，并加偏置，提取出局部特征，每一個卷積核映射出一個新的2D文本。

（2）將前面卷積核的濾波輸出結果，進行非線性的激活函數(shù)ReLU處理。

（3）對激活函數(shù)的結果進行最大池化，保留最顯著的特征，實現(xiàn)數(shù)據(jù)壓縮，并提升模型的畸變容忍能力。

在第一層卷積層中，共有32個5×5的卷積核，第二層為64個5×5的卷積核，利用relu作為激活函數(shù)，全連接得到自述情況的分類。并利用AdamOptimizer不斷優(yōu)化得到結果，經過20000次迭代后，得到準確率最高的的模型。

2.4 實驗結果

從實驗結果可以看出，相較于傳統(tǒng)分類方法，卷積神經網(wǎng)絡在短文本的分類中更具優(yōu)勢。準確率得到大大提升。卷積神經網(wǎng)絡通過卷積核的權值共享，減少了參數(shù)個數(shù)，亦提取了顯要特征，通過梯度下降算法的參數(shù)更迭，使得模型的準確率得以大大提升。

2.5 實驗進階

在得到關于自述情況的分類后，可得知其咨詢的問題所屬大類為何，即可推薦擅長此大類的心理咨詢師。而實際情況中，推薦時若能夠更加細致，則心理咨詢師的推薦將能夠更加個性化。根據(jù)自述情況中來訪者的期望，自動篩選出重要信息，例如希望心理咨詢師性別為男，年齡為30歲以上等等。

本文簡單化處理，對于心理咨詢師的要求，統(tǒng)一在文本的最后，表述為：“心理咨詢師要……”，便可使用正則表達式，獲取其對咨詢師的要求，接著由“性別……”“……歲”等模式的正則，繼續(xù)細化出要求得到的結果，由機器直接獲取信息，按照心理咨詢師的標簽，進行推薦。

3 結語

與傳統(tǒng)方法對比，卷積神經網(wǎng)絡在短文本分類上訓練效果更好，但準確率仍有提升的空間。若能考慮到關鍵詞在分類過程中的顯著作用，相信能夠得到更好的結果。例如通過“老公”，“男朋友”兩詞，即可判定此文本屬于婚戀情感類。但可以肯定的是，卷積神經網(wǎng)絡在心理咨詢自述情況上的分類是有應用價值的。當配合以正則表達式，便可更個性化推薦心理咨詢師。

參考文獻

[1]王奕森，夏樹濤.集成學習之隨機森林算法綜述[J].信息通信技術，2018，12（01）：49-55.

[2]郭東亮，劉小明，鄭秋生.基于卷積神經網(wǎng)絡的互聯(lián)網(wǎng)短文本分類方法[J].計算機與現(xiàn)代化，2017（04）：78-81.

[3]唐明，朱磊，鄒顯春.基于Word2Vec的一種文檔向量表示[J].計算機科學，2016，43（06）：214-217+269.

[4]張棪，曹健.面向大數(shù)據(jù)分析的決策樹算法[J].計算機科學，2016，43（S1）：374-379+383.

[5]崔建明，劉建明，廖周宇.基于SVM算法的文本分類技術研究[J].計算機仿真，2013，30（02）：299-302+368.

[6]許闖.網(wǎng)絡心理咨詢五步法[J].政工導刊，2017（07）：40-41.

[7]夏從零，錢濤，姬東鴻.基于事件卷積特征的新聞文本分類[J].計算機應用研究，2017，34（04）：991-994.