蔡偉鴻，胡 江，劉健全，杜 鑫

（1.汕頭大學(xué)工學(xué)院計算機系，廣東 汕頭 515063；2.日本NEC 公司，日本 東京 211-8666）

0 引言

隨著社會的發(fā)展和科技的進步，人們的生活水平得到了極大的提高，身體健康已不再是制約個人發(fā)展的主要因素，而和人們密切相關(guān)的另一個因素：心理健康[1]，逐漸浮現(xiàn)出來，成為了社會關(guān)注和研究的新焦點.心理問題在嚴(yán)重的情況下會導(dǎo)致精神障礙，進而對個體健康和社會穩(wěn)定產(chǎn)生消極影響[2].有研究表明，心理問題會對個體的主觀幸福感造成不利影響[3]，導(dǎo)致情感失衡和對生活的滿意度下降.另外，心理健康與身體健康之間存在著千絲萬縷的聯(lián)系[4]，與一般人群相比，存在心理問題的個體的身體健康更容易出現(xiàn)問題[5]，患有精神障礙的人群的慢性病的發(fā)病率和死亡率均高于一般人群[6].同時，心理問題也是導(dǎo)致人群“失能”的主要原因[7]，到2020年有很大可能會成為僅次于HIV 的社會疾病負(fù)擔(dān)[7].據(jù)調(diào)查，心理問題在我國人群中的覆蓋率已經(jīng)達到了17.5%[8].在中國，心理治療非常昂貴而且繁瑣，大量的精神障礙患者因為得不到有效的治療而不得不忍受病痛帶來的折磨，所以，做好有效的心理健康問題預(yù)防工作是非常迫切和必要的.

1 背景知識及相關(guān)工作

1.1 背景知識

通常，需要先獲取個體的心理狀態(tài)才能對其提供合適的心理健康服務(wù)，獲取心理狀態(tài)的方法之一就是進行“心理狀態(tài)評估”.但是，心理狀態(tài)具有內(nèi)隱性，不能被直接觀察到，比如嫉妒心理產(chǎn)生時大都不為主體所察覺，具有明顯的內(nèi)隱性[9]，因此必須先將心理狀態(tài)外顯化和形象化才能進行下一步的心理狀態(tài)評估，簡單來說，就是通過設(shè)定一些合適的外顯指標(biāo)來進行間接的測量，這種方法就是心理測量.目前主流的心理測量技術(shù)是心理測評量表（如圖1），因其在問卷編制、施測操作和結(jié)果統(tǒng)計等方面所具有的客觀性、高效性和量化性，已經(jīng)獲得了在心理測量領(lǐng)域的廣泛臨床應(yīng)用.但是，心理測評量表的測量結(jié)果的準(zhǔn)確性會受到個體主觀意識的影響，因為個體在填寫量表時，既是“被觀察個體”，又是“觀察主體”，其回答會不可避免地受到其認(rèn)知能力和社會虛榮心理的影響.為了克服心理測評量表存在的缺陷，本文提出利用用戶的網(wǎng)頁瀏覽內(nèi)容作為外顯指標(biāo)來預(yù)測其心理狀態(tài)（如圖2），從用戶的網(wǎng)頁瀏覽內(nèi)容中提取出相關(guān)特征，進而訓(xùn)練出心理健康預(yù)測模型.

圖1 傳統(tǒng)心理健康測量方法

圖2 本文提出的心理健康測量方法

1.2 相關(guān)工作

心理健康和身體健康缺一不可，都是主體健康的必要條件.隨著互聯(lián)網(wǎng)的發(fā)展與應(yīng)用，網(wǎng)絡(luò)行為逐漸成為主體行為的重要組成部分，能夠作為主體心理狀態(tài)的外顯指標(biāo)，反映出主體的一部分內(nèi)心世界.所以，將網(wǎng)絡(luò)行為用于心理狀態(tài)預(yù)測，是非常具有前景的研究方向.目前，國內(nèi)外已經(jīng)有學(xué)者和機構(gòu)開始著手于網(wǎng)絡(luò)行為與心理狀態(tài)之間關(guān)系的研究，并取得了一些成果.王麗等人將神經(jīng)網(wǎng)絡(luò)技術(shù)用于預(yù)測研究生這一群體的心理健康狀況[10]，取得了較好的預(yù)測效果，在一定程度上為我國高校心理教育工作提供了有價值的研究成果，為高校完善心理教育工作提供了幫助.張磊等人通過分析中國龐大的社交網(wǎng)絡(luò)，利用個體樣本的主體特征和動態(tài)詞典特征提取方法實現(xiàn)了對社交網(wǎng)絡(luò)用戶的心理指標(biāo)的預(yù)測，找出了社交網(wǎng)絡(luò)特征與心理指標(biāo)之間的關(guān)系[11]，更新了國內(nèi)心理指標(biāo)預(yù)測的記錄.田瑋等人采用深度學(xué)習(xí)技術(shù)對微博用戶作出自殺風(fēng)險預(yù)測，實驗結(jié)果表明，基于深度學(xué)習(xí)的算法模型可以有效地對微博用戶的自殺風(fēng)險進行預(yù)測，為自殺預(yù)防工作開辟了新的方向[12].朱廷劭等人通過對用戶的網(wǎng)絡(luò)行為進行時頻分析來預(yù)測其抑郁狀況[13]，實驗結(jié)果表明，用戶的網(wǎng)絡(luò)行為的時頻特征能夠有效地反映用戶心理健康狀況的變化，有助于公共心理健康服務(wù)的廣泛提供.郝碧波等人使用半監(jiān)督學(xué)習(xí)的方法來預(yù)測社交網(wǎng)絡(luò)用戶的人格[14]，實驗結(jié)果表明，使用未標(biāo)記數(shù)據(jù)可以提高預(yù)測的準(zhǔn)確性，促進心理學(xué)人格研究的發(fā)展.朱廷劭等人發(fā)現(xiàn)用戶的智能手機使用行為與其主觀幸福感之間存在一定的聯(lián)系[15]，基于這些研究結(jié)果，他們利用智能手機的使用行為訓(xùn)練了主觀幸福感的預(yù)測模型，實驗結(jié)果表明，利用采集到的用戶智能手機的使用瀏覽記錄可以較好地預(yù)測其主觀幸福感.郝碧波等人提出利用用戶新浪微博的使用行為來衡量其大五人格[16]，通過使用多任務(wù)回歸算法和增量回歸算法來預(yù)測在線行為中的大五人格.實驗結(jié)果表明，通過用戶的新浪微博使用行為可以對其大五人格進行預(yù)測.朱廷劭等人通過建立決策樹模型來找出網(wǎng)絡(luò)用戶的網(wǎng)絡(luò)行為與其心理健康狀態(tài)之間的關(guān)系[17]，實驗結(jié)果表明，預(yù)測模型的準(zhǔn)確率和召回率表現(xiàn)良好.此外，朱廷劭等人將機器學(xué)習(xí)應(yīng)用于認(rèn)知行為治療過程，開發(fā)了一套心理健康自助系統(tǒng).通過對隨機用戶進行比對調(diào)查，實驗結(jié)果表明，這套系統(tǒng)可以有效地緩解用戶的抑郁癥[18].再者，朱廷劭等人提出利用用戶看過的文章內(nèi)容來預(yù)測其情緒，開發(fā)了一個帶有可選加權(quán)系數(shù)的情感字典，并且訓(xùn)練了支持向量機模型和樸素貝葉斯模型，實驗結(jié)果表明，預(yù)測模型的準(zhǔn)確率、召回率表現(xiàn)良好[19].

通過對以上的工作進行詳細(xì)調(diào)研，我們可以得到如下結(jié)論：

1.網(wǎng)絡(luò)行為與心理狀態(tài)顯著性相關(guān)，網(wǎng)絡(luò)行為能夠用于預(yù)測心理狀態(tài)；

2.國內(nèi)外關(guān)于將網(wǎng)絡(luò)行為用于心理健康預(yù)測的研究較少，并且截至目前還沒有將網(wǎng)頁瀏覽內(nèi)容用于心理健康預(yù)測的相關(guān)研究；

3.很多研究收集網(wǎng)絡(luò)行為的形式都是問卷調(diào)查，無法獲得更加詳實的用戶的網(wǎng)絡(luò)訪問記錄，這更凸顯出了本文的工作意義.

網(wǎng)頁瀏覽內(nèi)容是網(wǎng)絡(luò)行為的一種內(nèi)容載體，能夠用于心理狀態(tài)的預(yù)測，而且比一般性的網(wǎng)絡(luò)行為更加具體和可信.所以，利用用戶的網(wǎng)絡(luò)行為預(yù)測其心理狀態(tài)是可行的.

2 心理健康預(yù)測模型

在本章節(jié)中，我們提出了自己的心理健康預(yù)測模型，介紹了它的原理和涉及到的算法應(yīng)用.構(gòu)建的模型流程可以分為數(shù)據(jù)收集、數(shù)據(jù)處理、模型訓(xùn)練、模型評估，具體流程如圖3 所示.

2.1 模型的原理

在Brunswik 提出的“透鏡模型”理論中指出，個體的周邊環(huán)境中會包含有一些能夠預(yù)示該個體精神狀態(tài)的信息線索[20]，這些信息線索可以看作是不同場景下的“行為殘余”[21].用戶的網(wǎng)絡(luò)訪問歷史會被記錄在訪問控制系統(tǒng)的日志中，這些日志數(shù)據(jù)是客觀而且準(zhǔn)確的，可以從中獲取更加精準(zhǔn)和客觀的用戶網(wǎng)絡(luò)行為數(shù)據(jù).通過這種方式，不僅可以充分利用互聯(lián)網(wǎng)的普及性和便利性進行大范圍的數(shù)據(jù)采集，而且能夠解決心理測評量表的測量結(jié)果會受到個體主觀意識影響的問題.

圖3 心理健康預(yù)測模型構(gòu)建流程

正是因為個體的網(wǎng)絡(luò)行為是其在互聯(lián)網(wǎng)上的行為殘余，并且也屬于人類行為總體的一部分，所以可以利用個體樣本的網(wǎng)絡(luò)行為作為外顯指標(biāo)來推測其心理狀態(tài).但是目前并沒有一套公認(rèn)的網(wǎng)絡(luò)行為分類方法，由于本模型只需要能夠顯著反映心理健康狀態(tài)的網(wǎng)絡(luò)行為，為了使對心理健康的預(yù)測更加準(zhǔn)確，所以用戶的網(wǎng)頁瀏覽內(nèi)容這一網(wǎng)絡(luò)行為在模型的原理中顯的格外重要.

2.2 模型訓(xùn)練和評估

《癥狀自評量表SCL-90》是目前世界上最出名的心理健康測評量表之一，該量表共有90 個項目，包含有較為廣泛的精神病癥學(xué)內(nèi)容，這90 個項目包含9 個因子，分別是軀體化（somatization）、強迫癥狀（obsessive-compulsive）、人際關(guān)系敏感（interpersonal sensitivity）、抑郁（depression）、焦慮（anxiety）、敵對（hostility）、恐怖（phobic anxiety）、偏執(zhí)（paranoid ideation）及精神病性（psychoticism）。

本文利用機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方式，采用支持向量機建立了一個關(guān)于心理健康狀態(tài)的分類模型.這種模型是一種典型的二類分類模型，它的定義域和函數(shù)的表示如下：

U是標(biāo)記個體樣本的網(wǎng)絡(luò)行為特征矩陣，P 是標(biāo)記個體樣本的心理健康狀態(tài)矩陣，R 是一個能夠揭示標(biāo)記個體的網(wǎng)絡(luò)行為特征和心理健康狀態(tài)之間潛在映射關(guān)系的投影矩陣.每個用戶的網(wǎng)絡(luò)行為特征是一個b 維的特征向量，定義為《癥狀自評量表SCL-90》某個因子下的項目個數(shù).如果我們能夠收集到標(biāo)記個體樣本的網(wǎng)絡(luò)行為特征，就能建立起U；如果我們能夠收集到標(biāo)記樣本的《癥狀自評量表SCL-90》的測評結(jié)果，就能建立起P.當(dāng)U 和P 都建立好之后，就能建立起在心理健康預(yù)測模型中能夠預(yù)測心理健康狀態(tài)的關(guān)鍵的R.為了能夠得到最優(yōu)的R，我們定義了如下對象函數(shù)：

P0是《癥狀自評量表SCL-90》的測試結(jié)果，r是投影矩陣，本文的任務(wù)就是找到一個能夠最小化f的r：

這種二類分類模型對應(yīng)的評價指標(biāo)被設(shè)定為精確率（precision）和召回率（recall）.

表1 混淆矩陣

表1 所示的矩陣是一個二類分類模型的混淆矩陣（confusion matrix）.混淆矩陣是數(shù)據(jù)科學(xué)、數(shù)據(jù)分析和機器學(xué)習(xí)中總結(jié)分類模型預(yù)測結(jié)果的情形分析表，以矩陣的形式將數(shù)據(jù)集中的記錄按照真實的類別與分類模型作出的分類判斷進行匯總，是對分類模型進行性能評價的重要工具.計算精確率和召回率需要用到4 個數(shù)值，它們分別是真陽值tp（true positive）、假陽值fp（false positive）、真陰值tn（true negative）和假陰值fn（false negative），這4 個數(shù)值的總和是樣本集中樣本的總數(shù)，即tp＋fp＋tn＋fn＝n，n 是樣本的總數(shù).

精確率衡量的是模型預(yù)測結(jié)果的精確度，對于一個二類分類模型，分為positive 類和negative 類，可以分別計算它們的精確率，計算公式如下：

召回率衡量的是樣本集中樣本被成功預(yù)測出的比率，positive 類和negative 類的召回率計算公式如下：

模型的準(zhǔn)確率計算公式如下：

3 模型的實現(xiàn)

根據(jù)上文中的內(nèi)容，我們根據(jù)理論模型搭建起了一整套系統(tǒng)，并對模型進行了實驗和評估.在這節(jié)中詳細(xì)介紹了兩部分內(nèi)容：1.模型實現(xiàn)的步驟和遇到的問題；2.將不同的算法進行對比，對它們的預(yù)測效果進行評估.

具體來說，首先需要收集模型建立過程中所需要的原始數(shù)據(jù)并進行數(shù)據(jù)清洗以達到實驗標(biāo)準(zhǔn)，這一過程會利用現(xiàn)有技術(shù)和設(shè)備實現(xiàn).其次，結(jié)合網(wǎng)絡(luò)行為指標(biāo)體系[22]從處理好的數(shù)據(jù)中提取出網(wǎng)絡(luò)行為特征.接著，采用機器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方式并利用支持向量機建立起基于網(wǎng)頁瀏覽內(nèi)容的心理健康預(yù)測模型.最后，結(jié)合現(xiàn)有預(yù)測模型的評價指標(biāo)對基于網(wǎng)頁瀏覽內(nèi)容的心理健康預(yù)測模型的性能進行評估.

3.1 數(shù)據(jù)收集

本次實驗中的樣本數(shù)據(jù)收集來自課題組的80 位成員，62 位作為訓(xùn)練樣本，18 位作為測試樣本，實驗周期為一年，從2016年1月1日至2017年1月1日.在實驗周期內(nèi)，收集了樣本個人的上網(wǎng)記錄，并標(biāo)記了每個人的上網(wǎng)行為，對所有的數(shù)據(jù)進行脫敏，通過替代法去除隱私信息.最后，在這些完成后對他們進行《癥狀自評量表SCL-90》測試.需要注意的是，在這個過程中，我們計算統(tǒng)計出該標(biāo)記樣本在每一個因子下的得分，如圖4 所示.

接下來需要獲取標(biāo)記樣本產(chǎn)生的URL.為了獲取標(biāo)記樣本在網(wǎng)絡(luò)訪問過程中產(chǎn)生的URL，需要在訪問控制系統(tǒng)中部署網(wǎng)絡(luò)流量監(jiān)測設(shè)備，能夠收集所有流經(jīng)網(wǎng)關(guān)的數(shù)據(jù)包.網(wǎng)關(guān)是標(biāo)記樣本與互聯(lián)網(wǎng)之間連接的關(guān)口，標(biāo)記樣本產(chǎn)生的所有網(wǎng)絡(luò)訪問請求都必須經(jīng)過網(wǎng)關(guān)才能訪問互聯(lián)網(wǎng).課題組所在實驗室的網(wǎng)關(guān)處部署了一套訪問控制系統(tǒng)，其中的網(wǎng)絡(luò)流量監(jiān)測設(shè)備會記錄下所有的網(wǎng)絡(luò)訪問行為.該網(wǎng)絡(luò)流量監(jiān)測設(shè)備記錄的網(wǎng)絡(luò)訪問行為日志較為詳細(xì)，有用戶ID、組名、源IP、終端類型、位置、目標(biāo)IP、網(wǎng)站分類、標(biāo)題、訪問域名、URL 地址、時間，收集到的數(shù)據(jù)即刻利用替代法進行脫敏.

當(dāng)網(wǎng)絡(luò)流量監(jiān)控設(shè)備截獲到標(biāo)記樣本產(chǎn)生的數(shù)據(jù)包后，通過分析這些數(shù)據(jù)包的結(jié)構(gòu)，解析出其中的URL，如圖5 所示.

圖4 獲取標(biāo)記個體的《癥狀自評量表SCL-90》的測量結(jié)果

圖5 獲取標(biāo)記個體產(chǎn)生的URL

在獲取到某個標(biāo)記樣本產(chǎn)生的URL 之后，需要對URL 進行過濾和清理.因為不是所有的URL 都指向包含內(nèi)容的HTML 文件，而且也有可能存在URL 重復(fù)的情況，所以有必要進行數(shù)據(jù)清理.首先去除重復(fù)和冗余的URL，然后清理掉指向非HTML 文件的URL.這一過程可以通過爬蟲框架Scrapy 完成，使用的過濾規(guī)則如表2 所示.

表2 URL地址清理類別

3.2 數(shù)據(jù)處理

在這一個階段，本文結(jié)合現(xiàn)有網(wǎng)絡(luò)行為指標(biāo)體系[22]和網(wǎng)絡(luò)行為研究成果[23]，從標(biāo)記樣本產(chǎn)生的網(wǎng)頁URL 對應(yīng)的網(wǎng)頁瀏覽內(nèi)容當(dāng)中提取出標(biāo)記樣本的網(wǎng)絡(luò)行為特征，即需要從這些網(wǎng)頁瀏覽內(nèi)容當(dāng)中抽象出具有一般性和代表性的網(wǎng)絡(luò)行為特征，提取流程如圖6 所示.

Elasticsearch 是一個開源的全文搜索引擎框架，提供分布式多用戶能力，可以快速地存儲、搜索和分析海量數(shù)據(jù).本文以標(biāo)記個體訪問的網(wǎng)頁URL 作為源數(shù)據(jù)，使用Elasticsearch 即可得到屬于該標(biāo)記樣本的搜索引擎實例，具體流程如圖7 所示.

圖6 網(wǎng)絡(luò)行為特征提取流程

圖7 標(biāo)記樣本的搜索引擎實例構(gòu)建流程

《癥狀自評量表SCL-90》有9 個因子，每個因子下有一系列項目.標(biāo)記樣本的搜索引擎實例構(gòu)建完成之后，在標(biāo)記樣本的搜索引擎實例中查詢某個項目，得到與該項目相關(guān)的URL 個數(shù)，作為標(biāo)記樣本的網(wǎng)頁瀏覽內(nèi)容特征數(shù)據(jù).具體流程如圖8 所示.

圖8 標(biāo)記樣本的網(wǎng)頁瀏覽內(nèi)容特征數(shù)據(jù)獲取流程

例如，在“軀體化”因子下，有“頭痛”、“頭暈和昏倒”、“胸痛”、“腰痛”、“惡心或胃部不舒服”、“肌肉酸痛”、“呼吸有困難”、“一陣陣發(fā)冷或發(fā)熱”、“身體發(fā)麻或刺痛”、“喉嚨有梗塞感”、“感到身體的某一部分軟弱無力”和“感到手腳發(fā)重”這12 個項目，以某個項目作為查詢，在標(biāo)記樣本的搜索引擎實例中進行查找，得到與該項目相關(guān)的URL 個數(shù)，如圖9 所示，實際結(jié)果如表3 所示.

圖9 網(wǎng)絡(luò)行為特征獲取流程示例

表3 “軀體化”因子下所有標(biāo)記個體的網(wǎng)絡(luò)行為特征

通過相同的方法，我們統(tǒng)計得出了“強迫癥狀”、“人際關(guān)系敏感”、“抑郁”、“焦慮”、“敵對”、“恐怖”、“偏執(zhí)”及“精神病性”共8 種網(wǎng)絡(luò)行為特征.

3.3 心理健康預(yù)測模型的建立

我們已經(jīng)建立了數(shù)據(jù)基礎(chǔ)，接下來是構(gòu)建心理健康預(yù)測系統(tǒng)的詳細(xì)步驟.相關(guān)原理已經(jīng)在上文中有了充分的闡述.在接下來的系統(tǒng)建立中，主要工作是對標(biāo)記樣本的《癥狀自評量表SCL-90》的測評成績進行處理.

進行這種處理的根據(jù)來源于心理學(xué).研究表明心理狀態(tài)是一個連續(xù)變化的過程，人群中的大部分個體的心理健康狀態(tài)是穩(wěn)定和積極的，相鄰區(qū)間的差異較小.本文實驗關(guān)注的目標(biāo)是那些有可能存在心理健康問題的人群，為了盡可能地篩選出這部分人群，在心理測量學(xué)中，公認(rèn)的測量方法是將所有被測試樣本的心理測評量表的得分情況劃分為高分組和低分組，即極端健康的樣本組和極端不健康的樣本組，希望能夠通過這種劃分找出顯著的心理狀態(tài)特征，高分組的樣本有很大可能存在心理健康問題，低分組的樣本存在心理健康問題的可能性較小.本文的實驗即采取了這種劃分方法.

首先，在每個因子下，根據(jù)標(biāo)記樣本的得分進行排序.然后，在每個因子下，根據(jù)排序結(jié)果，取前27%的標(biāo)記樣本作為低分組，用標(biāo)簽“-1”代表，取后27%的標(biāo)記樣本作為高分組，用標(biāo)簽“+1”代表.最后，利用之前收集好的每個因子下的標(biāo)記樣本的網(wǎng)絡(luò)行為特征，再結(jié)合每個因子下的標(biāo)記樣本的分組結(jié)果，就得到了可用于模型訓(xùn)練的支撐數(shù)據(jù)，如表4 所示.

表4 “軀體化”因子下的訓(xùn)練數(shù)據(jù)

在得到每個因子下的訓(xùn)練數(shù)據(jù)之后，使用支持向量機為9 個因子分別建立了預(yù)測模型，這9 個預(yù)測模型相互獨立.其中，模型訓(xùn)練所使用的程序來自LIBSVM，訓(xùn)練過程中使用的核函數(shù)是RBF（Radial Basis Function），并進行了相關(guān)參數(shù)調(diào)優(yōu)，每個因子下的預(yù)測模型的參數(shù)如表5 所示.

表5 每個因子下的預(yù)測模型訓(xùn)練時所使用的參數(shù)

通過以上這種形式，該實驗建立了成型的系統(tǒng)，區(qū)分出了研究樣本的具體參數(shù)的不同，并得到了每個對象心理健康的預(yù)測結(jié)果.

3.4 心理健康預(yù)測模型的評估

為了體現(xiàn)該模型的實用性和準(zhǔn)確性，我們將本模型中使用的支持向量機與隨機森林、樸素貝葉斯這兩種傳統(tǒng)機器學(xué)習(xí)算法進行了詳細(xì)對比.它們都在9 個因子上進行了預(yù)測，并進行了5 折交叉驗證，分別從模型準(zhǔn)確率（如圖10）與高分組召回率（如圖11）進行了對照.

通過實驗結(jié)果對比，可以得到使用支持向量機建立的預(yù)測模型的準(zhǔn)確率平均值為89.39%，而使用隨機森林和樸素貝葉斯建立的預(yù)測模型的準(zhǔn)確率平均值分別為87.21%和82.28%.特別是支持向量機在“焦慮”因子下建立的預(yù)測模型的準(zhǔn)確率最高，達到了95.01%，并且其高分組召回率也最高，達到了95.62%，反映出它可以很好地召回“焦慮”因子下的高分組人群.另一方面，使用支持向量機建立的預(yù)測模型的高分組召回率平均值為88.19%，而使用隨機森林和樸素貝葉斯建立的預(yù)測模型的高分組召回率平均值分別為85.57%和81.13%.

綜上可以得出，在本次實驗的環(huán)境下，使用支持向量機建立的模型的預(yù)測效果整體上遠(yuǎn)優(yōu)于使用隨機森林和樸素貝葉斯建立的模型的預(yù)測效果.這種評估結(jié)果充分說明了本文中選擇的機器學(xué)習(xí)算法的創(chuàng)新性和實用性.

4 結(jié)語

本文使用支持向量機分別為《癥狀自評量表SCL-90》的9 個因子建立了基于網(wǎng)頁瀏覽內(nèi)容的心理健康預(yù)測模型.在給出理論基礎(chǔ)的前提下，設(shè)計出了區(qū)別于傳統(tǒng)方式的心理健康模型.不僅如此，為了驗證模型的可行性和準(zhǔn)確性，本文展開了一系列具體的實驗和結(jié)果評估，最終得到了良好的實驗效果，充分說明本文提出的方法模型能夠在一定程度上替代傳統(tǒng)的心理測評量表，為心理衛(wèi)生事業(yè)的發(fā)展提供幫助.

圖10 模型準(zhǔn)確率對比結(jié)果

圖11 高分組召回率對比結(jié)果

雖然本文提出的模型取得了一些創(chuàng)造性的發(fā)現(xiàn)和效果，但仍然存在一些可以改進的地方，比如采取更加高效的機器學(xué)習(xí)算法來訓(xùn)練更加準(zhǔn)確的心理健康預(yù)測模型；研究如何提取更加準(zhǔn)確和有效的網(wǎng)絡(luò)行為特征等.