[发明专利]基于微博和模糊认知图的自杀风险检测方法及系统

权利要求书

1.一种基于微博和模糊认知图的自杀风险检测方法，其特征在于，包括：

S1、从微博获取待检测用户的压力特征向量FS、自我关注特征向量FC、自杀相关表达特征向量FU、遗言特征向量FW、社交互动特征向量FO和情感特征向量FE，并利用所述压力特征向量FS、自我关注特征向量FC、自杀相关表达特征向量FU、遗言特征向量FW、社交互动特征向量FO和情感特征向量FE构建六维微博特征空间；

S2、将所述六维微博特征空间输入预设的用于自杀危险检测的FCM分类模型，得到所述待检测用户的自杀风险检测结果。

2.根据权利要求1所述的方法，其特征在于，所述压力特征向量FS＝(FS1,FS2,FS3,FS4,FS5,FS6)，令Δ为在所述待检测用户整个发布微博期间，检测到的一组不连续的压力区间，假设I∈Δ为其中一个压力区间，其中，I＝[T₁,T_m]，且(T₁,Sc₁,Sl₁),(T₂,Sc₂,Sl₂),…,(T_m,Sc_m,Sl_m)是一个从压力区间I所包含的标准时间单元T₁,T₂,…,T_m中，检测得到的压力序列，Sc_i为标准时间单元T_i内所述待检测用户发布的微博推文输入压力检测函数得到的压力检测结果中的压力类型的并集，Sl_i为标准时间单元T_i内所述待检测用户发布的微博推文输入压力检测函数得到的压力检测结果中的压力程度的平均值，1≤i≤m，压力区间总数FS1＝|Δ|，平均压力程度的均值压力程度均方根偏差的均值压力程度峰值的均值peakLevel(L)＝max(Sl₁,…,Sl_m)，压力区间跨度的均值span(I)＝|I|＝m，不同压力类型数量的均值categoryNum(I)＝|Sc₁∪Sc₂∪…∪Sc_m|。

3.根据权利要求2所述的方法，其特征在于，所述自我关注特征向量FC＝(FC1,FC2)，自我关注推文在全部推文中的比例.FC1＝|CB|/|B|，平均每条自我关注推文中的自我关注词数量B表示在所述待检测用户整个微博发布期间发布的所有推文的集合，|B|表示在所述待检测用户整个微博发布期间发布的所有推文的数量，CB表示在所述待检测用户整个微博发布期间发布的所有自我关注推文的集合，|CB|表示在所述待检测用户整个微博发布期间发布的所有自我关注推文的数量，函数selfWordNum(cb)返回CB中自我关注推文cb中的自我关注词的数量。

4.根据权利要求3所述的方法，其特征在于，所述自杀相关表达特征向量FU＝(FU1,FU2,FU3)，自杀推文在全部推文中的比例FU1＝|SB|/|B|，平均每条自杀推文中的自杀相关词数量平均每条自杀推文中自杀相关词的比例，FU3＝(∑_sb∈SB swordNum(sb)/wordNum(sb))/|SB|，SB表示在所述待检测用户整个微博发布期间发布的所有自杀推文的集合，|SB|表示在所述待检测用户整个微博发布期间发布的所有自杀推文的数量，swordNum(sb)返回值为，SB中自杀推文sb中与自杀相关的词和短语的数量，函数wordNum(sb)的返回值为，SB中自杀推文sb中的词语总数。

5.根据权利要求4所述的方法，其特征在于，所述遗言特征向量FW＝(FW1,FW2,FW3)，遗言推文在最后一周内全部推文中的比例FW1＝|LB|/|B'|，平均每条遗言推文中的遗言词数量平均每条遗言推文中的遗言词比例FW3＝(∑_lb∈LB lwordNum(lb)/wordNum(lb))/|LB|，B'和LB分别表示所述待检测用户最近一周内发布的所有推文和遗言推文的集合，|B'|和|LB|分别表示所述待检测用户最近一周内发布的所有推文和遗言推文的数量，函数wordNum(lb)的返回值为LB中遗言推文lb中的词语总数，函数lwordNum(lb)的返回值为LB中遗言推文lb中遗言词的总数。