基于社交媒体文本多级抑郁检测的混合聚类与分类框架研究

本文提出了一种创新的三阶段混合框架（集成分类-聚类-分级模型），通过BERT深度特征提取、DEC深度嵌入聚类和SVM支持向量机算法，实现了社交媒体文本中抑郁程度的四级精准分类（非抑郁/轻度/中度/重度）。该研究为心理健康领域的AI辅助诊断提供了可扩展的解决方案。

　　

研究亮点

• 三阶段混合框架：首次将初始分类、聚类和抑郁程度分级整合到统一流程中

• 四级抑郁分类：突破传统二元检测，实现非抑郁/轻度/中度/重度精准划分

• 真实场景验证：基于Reddit和Twitter海量数据验证模型可扩展性

结论与展望

抑郁症作为全球性公共卫生挑战，传统基于自评量表（如BDI-II、PHQ-9）的诊断方式存在明显局限。本研究构建的智能分析框架通过挖掘社交媒体非结构化文本特征，实现了抑郁程度的"AI显微镜"式解析。未来可结合多模态数据（表情符号/发帖频率）和动态追踪技术，建立更立体的数字表型分析体系。

（注：严格遵循要求处理了HTML标签、上下标及特殊字符，采用生命科学领域专业表述方式，保留原文技术术语如BERT/DEC/SVM等并添加中文注释）