CN116612843A - 一种心理测评掩饰性行为识别方法及*** - Google Patents

一种心理测评掩饰性行为识别方法及*** Download PDF

Info

Publication number
CN116612843A
CN116612843A CN202310236368.7A CN202310236368A CN116612843A CN 116612843 A CN116612843 A CN 116612843A CN 202310236368 A CN202310236368 A CN 202310236368A CN 116612843 A CN116612843 A CN 116612843A
Authority
CN
China
Prior art keywords
user
representation
data
heterogeneous
behavior
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310236368.7A
Other languages
English (en)
Other versions
CN116612843B (zh
Inventor
余伟
杨俊成
宫璇
李睿婷
陈诚
李石君
万豪杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202310236368.7A priority Critical patent/CN116612843B/zh
Publication of CN116612843A publication Critical patent/CN116612843A/zh
Application granted granted Critical
Publication of CN116612843B publication Critical patent/CN116612843B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/164—Lie detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Social Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种心理测评掩饰性行为识别方法及***，属于机器学习技术领域，包括：通过将用户答题时间数据和答题条目选项数据，融入计算方法，从时间间隔和答题选项结果来识别用户在心理测评中是否存在掩饰性行为。本发明基于多行为特征图的transformer网络模型，通过注意力聚合策略获取用户问题之间的高阶行为异构性，使用嵌入时态上下文感知解决行为动态性和用户交互的动态特征、基于通道模型依赖网络改进卷积网络，通过迁移学习方法进行网络与训练以解决样本不足问题，能有效地分析用户心理活动中的掩饰性行为，相比于传统的心理测评行为分析方法，具备高效的智能化自动处理流程，无需人工进行辅助分析，具有运算速度更快、分析结果更客观的特点。

Description

一种心理测评掩饰性行为识别方法及***
技术领域
本发明涉及机器学习技术领域，尤其涉及一种心理测评掩饰性行为识别方法及***。
背景技术
心理测评作为一种科学的测试方法已得到广泛应用，近年来，越来越多的单位运用心理测评来维护员工的心理健康状态。其中心理测评量表是衡量心理测评结果的最为有效的工具，心理测评量表由专家设计的若干个题目构成，用户回答每一个问题并给出答案，***根据预设的公式对于每个题目结果计分并汇总，得到一个或多个指标的分数，然后与常模(具有统计特征的阈值)进行比较来判断各个指标的健康程度。在心理测试中，往往需要对用户的答题结果进行***分析，从而确定用户的心理测评是否真实有效。
现有的经典心理测评方法需要进行多次测评，或增加冗余的测评题目，难以全面应用，另外信效度的计算采用统计学方法，对于统计对象的选择、校标具有较多限制，因此具有较大的局限性，难以广泛的应用。在一些重要场景下，还采用基于生理指标和声音的识别技术，通过采集、记录受试者在测评时皮肤电、呼吸、脉压、血压、脑电等生理指标的变化，从而分析和判断受试者是否说谎。虽然基于生理指标的测谎方法具有良好的效果，但受其成本、技术要求的限制，难以有效推广。语音测谎有操作简单、成本低、结果更客观等优点，因此语言中包含的特征成为了测谎的依据。基于生理指标和声音的测谎技术主要适用于面对面的问询，难以应用在在线心理测评中。
还有一种方法是异常检测方法，其目的是找到某些观测值，它与其他的观测值有很大的偏差，这样的偏差可能是由于不同的原因或机制所产生的。由于训练的数据集存在不同，根据训练集的不同，异常检测大致分为三类：全监督异常检测、半监督异常检测和无监督异常检测。异常检测算法的基本思想是：用正常的数据去训练模型，得到阈值，然后再去判断新的数据是否异常。目前主流的异常检测算法大致可分以下几类：基于统计的异常检测算法、基于聚类的异常检测算法、基于最近邻的异常检测算法、基于集成学习的异常检测算法和基于深度学习的异常检测算法。异常检测算法采用的心理测评的量表种类和症状因子很多，不同的测评用户具有各自的个性和心理特征，用户之间、症状之间、量表之间、题目之间存在有各种关联，带标注的测评结果难以获取，新用户或新量表的测评存在有冷启动问题，同一用户同一量表在不同时间的测评结果具有随机偏差，心理测评结果的异常可能是一种疾病特征而不是错误。这些难点导致常用的异常检测方法难以有效的识别心理测评中的不可信结果。
发明内容
本发明提供一种心理测评掩饰性行为识别方法及***，用以解决现有技术中心理测评中对用户异常检测存在片面性，且需要依赖人工分析，尤其对用户在测评过程中是否存在掩饰性行为无法进行有效识别的缺陷。
第一方面，本发明提供一种心理测评掩饰性行为识别方法，包括：
基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；
采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；
根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；
利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；
分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；
采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；
基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
第二方面，本发明还提供一种心理测评掩饰性行为识别***，包括：
生成模块，用于基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；
编码模块，用于采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；
确定模块，用于根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；
聚合模块，用于利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；
建模模块，用于分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；
更新模块，用于采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；
采样模块，用于基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述心理测评掩饰性行为识别方法。
本发明提供的心理测评掩饰性行为识别方法及***，基于多行为特征图的transformer网络模型，通过注意力聚合策略获取用户问题之间的高阶行为异构性，使用嵌入时态上下文感知解决行为动态性和用户交互的动态特征、基于通道模型依赖网络改进卷积网络，通过迁移学习方法进行网络与训练以解决样本不足问题，能有效地分析用户心理活动中的掩饰性行为，相比于传统的心理测评行为分析方法，具备高效的智能化自动处理流程，无需人工进行辅助分析，具有运算速度更快、分析结果更客观的特点。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的心理测评掩饰性行为识别方法的流程示意图；
图2是本发明提供的户问题交互异质多重图生成过程示意图；
图3是本发明提供的基于异质多重图神经网络的数据融合网络模型示意图；
图4是本发明提供的心理测评掩饰性行为识别***的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对现有的心理测评技术无法有效识别用户在测评中是否存在掩饰性行为，本发明提出一种基于多行为交互关联Transformer的心理测评掩饰性行为识别方法，立足于认知心理学、计算心理学和行为心理学，通过隐变量特征空间模型、无监督异常检测算法等人工智能手段，实现心理量表测评过程中的时间间隔合理性分析、结果关联异常分析和表情掩饰性分析，再通过多模态融合分析方法，实现对用户心理测评结果的可信度有效计算。
图1是本发明实施例提供的心理测评掩饰性行为识别方法的流程示意图，如图1所示，包括：
步骤100：基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；
步骤200：采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；
步骤300：根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；
步骤400：利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；
步骤500：分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；
步骤600：采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；
步骤700：基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
具体地，本发明实施例以心理测评数据中的用户答题时间数据和答题条目选项数据为基础，首先构建用户问题交互异质多重图，即反应用户user和问题question之间的关联关系，再采用相对时间编码来获取用户问题异质多重图中的时序特征数据，学习到异质多重图的时序依赖关系和时间演化规律，进一步建立其中的异构注意力消息聚合机制，由异构注意力消息聚合机制分别得到用户侧信息聚合数据和问题侧信息聚合数据，然后采用行为层次依赖建模和门控聚变机制，得到用户可信性判定表示和问题可信性判定表示，接下来利用高阶多行为模式的前向传播将用户可信性判定表示和问题可信性判定表示进行连接更新，得到多层更新表示，最后采用基于随机游走的子图采样算法对多层更新表示进行采样，识别出心理测评掩饰性行为，从而判断出对应的心理测评结果是否真实有效。
需要说明的是，本发明实施例采用了多行为特征图的Transformer网络模型，通过注意力聚合策略来捕获用户和问题的高阶行为的异构性，通过嵌入时态上下文感知解决行为动态性和用户交互的动态特征，联合集成用户和问题之间的协作相似性，设计时空编码策略来整合多模态注意力层，使学习能够反映用户-问题和问题-问题的多重合作关系的嵌入，以及潜在的交互动力学，将问题之间的关联关系嵌入到多行为图中，通过多行为相互注意编码器对各行为表示之间的相互依赖关系进行编码，通过门控聚合层来区分各种行为关系嵌入对不可信的影响程度。
本发明采用基于多行为特征图的transformer网络模型，通过注意力聚合策略获取用户问题之间的高阶行为异构性，使用嵌入时态上下文感知解决行为动态性和用户交互的动态特征、基于通道模型依赖网络改进卷积网络，通过迁移学习方法进行网络与训练以解决样本不足问题，能有效地分析用户心理活动中的掩饰性行为，相比于传统的心理测评行为分析方法，具备高效的智能化自动处理流程，无需人工进行辅助分析，具有运算速度更快、分析结果更客观的特点。
基于上述实施例，步骤100包括：
根据所述答题条目选项数据构建任一用户完成的量表行为数据对齐矩阵，根据所述用户答题时间数据构建所述量表行为数据对齐矩阵对应的行为发生时间戳矩阵；
由所述量表行为数据对齐矩阵和所述行为发生时间戳矩阵确定用户顶点集合、问题顶点集合、用户问题之间多重边集合和不同问题之间多重边集合，其中所述用户问题之间多重边集合包括审题阶段耗时向量、思考作答阶段耗时向量、提交阶段耗时向量和作答选项序号向量，所述不同问题之间多重边集合包括用户选项相似度向量和文本语义相似度向量；
基于所述用户顶点集合、所述问题顶点集合、所述用户问题之间多重边集合和所述不同问题之间多重边集合，生成所述用户问题交互异质多重图。
具体地，为了让整个网络能更好地进行训练和学习，首先构建用户问题交互异质多重图，将任一用户i完成的不同量表的行为数据对齐行为矩阵Ci进行表示，每次行为发生的时戳用矩阵T表示，得到：
其中，列索引是对所有N个量表的所有问题进行统一编码，用集合V表示，问题总数为Mj表示第j个量表的问题数量，如果该用户未参与某量表的测评，对应的元素用零进行填补。
整个构造过程如图2所示，生成用户-问题多行为交互与问题-问题多维关联集成无向图：Gu＝(U,v,C,S)，其中U和V分别表示用户和问题的顶点集合，C表示用户-问题多重边的集合，用户ui和问题vj的多重边分别表示审题阶段耗时、思考作答阶段耗时、提交阶段耗时和作答选项序号；S表示问题-问题多重边的集合，问题vi和问题vj的多重边/>分别表示用户选项相似度和文本语义相似度，例如图2中的用户选项相似度/>针对问题i和j，以不同的选项0、1和2表示，代表不同用户对于问题i和j，选择不同的作答选项，对于文本语义相似度/>问题1“你讨厌的老师没能来上课时，你高兴吗？”和问题2“即使跟讨厌的人，我也能很好相处？”中，提取相似的文本语义，例如“讨厌”等。
此处，为了统一的准确捕获不同行为所反映的可信特征，实现增强全局行为上下文的消息传递范式下的自适应多行为自注意网络，通过节点和边类型相关的注意力机制处理图的异质性。
基于上述实施例，步骤200包括：
通过正弦函数将所述用户问题异质多重图中的行为发生时间戳矩阵进行偏置，得到正弦偏置时间戳间隔；
利用线性映射函数对所述正弦偏置时间戳间隔进行映射，根据位置信息将映射后的正弦偏置时间戳间隔嵌入至Transformer模型，得到所述时序特征数据。
具体地，为了避免不同时间片之间的结构依赖信息，实现在时间感知场景中捕捉不同类型的用户-问题交互之间的影响，本发明实施例采用相对时间编码来建模异质图中的动态依赖关系，主要思想是将不同行为的时间戳间隔通过正弦函数作为偏置，再通过可微调的线性映射T-linear进行映射，再通过位置嵌入到Transformer模型，实现对时序特征的学习。该方法具有泛化到不可见的时间和时间间隔的能力，能够自动学习到异质图的时序依赖关系以及异质图随时间的演化。
通过上述时间语境编码方法，可以在异构图神经网络架构中引入行为动态性，基于Transformer网络中提出的位置表征方法，通过利用三角函数的周期性，既可以捕捉特定时刻的语义信息，也可以描绘时间点之间的周期关系和相对性。该方案可以引入不同的周期大小，从而在不同维度上提取不同的周期性关系。同时，与位置信息不同，时间轴可以无限延伸，而这一基于三角函数映射的表征方式可以适配任意大小的时间戳，从而能够处理测试过程出现的未经训练的时间。
基于上述实施例，步骤300包括：
确定任一行为类型中的查询值投影矩阵、查询信息投影矩阵和被查询向量投影矩阵，以及问题编码与时间上下文嵌入、用户编码与时间上下文嵌入、潜在维度和多头注意力机制头数量；
根据所述查询信息投影矩阵、所述被查询向量投影矩阵、所述问题编码与时间上下文嵌入、所述用户编码与时间上下文嵌入、所述潜在维度和所述多头注意力机制头数量，得到问题编码与时间上下文嵌入向量表示和用户编码与时间上下文嵌入向量表示；
获取任一行为类型中不同问题类型，基于所述任一行为类型中不同问题类型、所述问题编码与时间上下文嵌入向量表示和所述用户编码与时间上下文嵌入向量表示，得到问题编码与时间上下文嵌入注意力传播权重和用户编码与时间上下文嵌入注意力传播权重；
根据所述问题编码与时间上下文嵌入注意力传播权重和所述查询值投影矩阵，得到任一问题到任一用户可信信息量；
根据所述用户编码与时间上下文嵌入注意力传播权重和所述查询值投影矩阵，得到任一用户到任一问题可信信息量。
具体地，为了在行为用户-问题交互图上执行源节点和目标节点之间的时间感知信息传播，建立多头异质图注意力机制，如图3所示，引入Q、K、V三个参数矩阵分别进行询问(query)、键值(key)和值(value)映射，得到初始注意力权重，并进行softmax映射。为了提取出不同交互模式间存在的全局共性，将采用一种多通道参数学习方法来得到注意力机制所用到的变换参数。计算过程如下：
其中和/>分别表示从问题vj到用户ui和从用户ui到问题vj的可信信息量。/>表明了问题编码和时间上下文的嵌入，/>表明了用户编码和时间上下文的嵌入。/>是关于第k种行为类型的h头的投影矩阵V。/>分别表示对构造信息pj和pi进行学习的注意力传播权重，具体如下：
其中是第k种行为类型的h头的投影矩阵Q和K，d为潜在维度，H为多头注意力机制中的头的数量，/>表示投影维度，i表示任一用户，j表示任一问题，j′表示与j不同的任一问题，/>表示用户编码与时间上下文嵌入向量表示，/>表示与不同的用户编码与时间上下文嵌入向量表示。
通过上述方式定义了多个参数学习通道，每个通道对应一组独立参数矩阵，分别对应不同的映射方式，并且代表了不同用户-问题交互或问题间关系所共有的一些交互模式。多通道参数学习方法使用一个注意力网络学习用户或问题在某个交互关系类别下与各个通道的关联性，以之对各个通道的参数进行加权。该方法通过共享参数反映不同交互模式的共性，而使用注意力权重学习来体现不同交互类型的特点。
基于上述实施例，步骤400包括：
获取所述用户问题交互异质多重图中的任一用户邻域和任一问题领域；
利用预设激活函数，分别对所述任一问题邻域中的任一问题到任一用户可信信息量进行激活得到任一用户聚合门控信息，以及对所述任一用户邻域中的任一用户到任一问题可信信息量进行激活得到任一问题聚合门控信息，由所述任一用户聚合门控信息和所述任一问题聚合门控信息构成所述用户侧信息聚合数据；
利用所述预设激活函数，对所述任一问题领域中的任意问题之间异质可信信息量进行激活，得到所述问题侧信息聚合数据，其中所述任意问题之前的关联为1或2。
具体地，一方面是用户侧信息聚合，为了将特定用户和特定问题的可信信息进行合并分析，通过求和操作对相邻信息进行用户侧信息聚合，行为k类型下ui和vj的聚合门控信息如下：
其中和/>表示在用户项交互图中ui和vj的邻域，f()是类似LeakyReLU的激活函数，/>和/>分别表示从问题vj到用户ui和从用户ui到问题vj的可信信息量。
还有一方面是问题侧信息聚合，类似的，问题侧信息聚合也通过注意聚合来融合来自问题之间相互依赖的异质信号
其中r为1或2，表示两类问题之间的关联，表示vj在图G中的邻居节点。
基于上述实施例，步骤500包括：
确定多头注意力机制中任一学习子空间的可学习查询信息投影矩阵、可学习被查询向量投影矩阵、可学习查询值投影矩阵、潜在维度和多头注意力机制头数量；
确定任一类型的用户问题之间交互表示重要性分数和任一类型的不同问题之间交互表示重要性分数；
获取多层网络门控融合层表示参数；
利用所述门控聚变机制，由所述多层网络门控融合层表示参数、所述用户问题之间交互表示重要性分数、所述可学习查询信息投影矩阵、所述可学习被查询向量投影矩阵、所述可学习查询值投影矩阵、所述潜在维度和所述多头注意力机制头数量，得到所述用户可信性判定表示；
利用所述门控聚变机制，由所述多层网络门控融合层表示参数、所述不同问题之间交互表示重要性分数、所述可学习查询信息投影矩阵、所述可学习被查询向量投影矩阵、所述可学习查询值投影矩阵、所述潜在维度和所述多头注意力机制头数量，得到所述问题可信性判定表示。
具体地，在多行为交互的不可信行为识别问题中，不同类型的用户行为以一种复杂和分层的方式相互交互。为了应对这一挑战，提出一种类型行为相互关系编码器来有效地保持不同类型行为之间的相互关系，并设置跨类型行为模式融合机制来促进不同类型特定行为表现之间的协作来增强最终的表示。
类型行为相互关系编码器基于按比例缩放的点积型注意力更新机制，编码器F可以表示为：
其中是通过学习成对的type-wise得到的相关性分数，/>是第h个学习子空间的询问、键值和值映射可学习投影矩阵，/>为更新用户的嵌入。
更新问题的嵌入采用类似地操作可以得到。
为了准确计算每个用户在完成每个问题时各种行为特征的可信程度，本发明实施例提出一种门机制对不同关系类别下的用户、问题表征进行融合。每个节点在每个交互类型下的表征都通过两层全连接层得到一个注意力权重，用户的最终表征由所有多行为类别表征进行加权平均，而问题表征则由用户-问题子图中的各种问题表征及问题关联子图中的多种表征一同进行加权平均得到。融合学习到的特定类型的行为表征，门控聚变机制进行最终可信性判定的表示Φj计算思路如下：
其中σ是激活函数，和/>是第k行为类型的用户-问题交互表示/>和第r类型的问题-问题关系表示/>的重要性分数的。/>的向量/>和/>的向量/>可以通过下面来得到：
其中f()表示多层网络：表示各多层网络对应权重参数向量和偏置常数参数向量，角标u表示用户维度权重，v表示问题维度权重，/>表示转置。
类似的，通过该门控机制也基于类型特定嵌入获得用户表示Φi。
通过该编码方式，能够迭代地学***滑，使表征更加贴近实际观测的用户-问题多行为交互和问题间多重关联关系。通过将不同阶的表征进行累加，以同时利用不同距离的邻域信息进行点表征。
基于上述实施例，步骤600包括：
基于信息融合函数和信息传播函数，对所述用户可信性判定表示、所述问题可信性判定和所述用户问题交互异质多重图进行嵌入更新，得到所述多层更新表示。
具体地，由前述实施例描述的信息传播和聚合函数，在图神经网络中捕获了多行为上下文(用户问题交互异质多重图G)下的高阶协作关系。在传播中，从第(l)层到第(l+1)层的更新过程可以描述为：
其中，Propagate(·)是信息传播函数，它从用户-问题交互和问题-问题关联中提取有用的特性，Aggregate(·)表示信息融合函数，最后的嵌入经过不同顺序的表示总结为:
基于上述实施例，步骤700包括：
根据所述用户问题交互异质多重图的邻接矩阵中提取的节点相关性确定权值向量；
基于所述随机游走的子图采样算法，根据所述权值向量对所述多层更新表示进行采样，得到所述心理测评掩饰性行为识别结果。
具体地，本发明实施例采用图神经网络嵌入到Transformer中学习用户-问题的多行为交互复杂关联，针对full-batch模式下对整个图进行信息聚合的性能挑战，这里的full-batch是指在梯度下降过程中采用了全部的样本数据
本发明实施例提出基于随机游走的子图采样算法，在采样过程中根据用户问题交互异质多重图G的邻接矩阵中提取的节点相关性来维护一个权值向量，实现本框架的大规模数据快速处理的能力。
下面对本发明提供的心理测评掩饰性行为识别***进行描述，下文描述的心理测评掩饰性行为识别***与上文描述的心理测评掩饰性行为识别方法可相互对应参照。
图4是本发明实施例提供的心理测评掩饰性行为识别***的结构示意图，如图4所示，包括：生成模块41、编码模块42、确定模块43、聚合模块44、建模模块45、更新模块46和采样模块47，其中：
生成模块41用于基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；编码模块42用于采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；确定模块43用于根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；聚合模块44用于利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；建模模块45用于分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；更新模块46用于采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；采样模块47用于基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行心理测评掩饰性行为识别方法，该方法包括：基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种心理测评掩饰性行为识别方法，其特征在于，包括：
基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；
采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；
根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；
利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；
分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；
采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；
基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
2.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图，包括：
根据所述答题条目选项数据构建任一用户完成的量表行为数据对齐矩阵，根据所述用户答题时间数据构建所述量表行为数据对齐矩阵对应的行为发生时间戳矩阵；
由所述量表行为数据对齐矩阵和所述行为发生时间戳矩阵确定用户顶点集合、问题顶点集合、用户问题之间多重边集合和不同问题之间多重边集合，其中所述用户问题之间多重边集合包括审题阶段耗时向量、思考作答阶段耗时向量、提交阶段耗时向量和作答选项序号向量，所述不同问题之间多重边集合包括用户选项相似度向量和文本语义相似度向量；
基于所述用户顶点集合、所述问题顶点集合、所述用户问题之间多重边集合和所述不同问题之间多重边集合，生成所述用户问题交互异质多重图。
3.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述采用相对时间编码获取所述用户问题异质多重图中的时序特征数据，包括：
通过正弦函数将所述用户问题异质多重图中的行为发生时间戳矩阵进行偏置，得到正弦偏置时间戳间隔；
利用线性映射函数对所述正弦偏置时间戳间隔进行映射，根据位置信息将映射后的正弦偏置时间戳间隔嵌入至Transformer模型，得到所述时序特征数据。
4.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制，包括：
确定任一行为类型中的查询值投影矩阵、查询信息投影矩阵和被查询向量投影矩阵，以及问题编码与时间上下文嵌入、用户编码与时间上下文嵌入、潜在维度和多头注意力机制头数量；
根据所述查询信息投影矩阵、所述被查询向量投影矩阵、所述问题编码与时间上下文嵌入、所述用户编码与时间上下文嵌入、所述潜在维度和所述多头注意力机制头数量，得到问题编码与时间上下文嵌入向量表示和用户编码与时间上下文嵌入向量表示；
获取任一行为类型中不同问题类型，基于所述任一行为类型中不同问题类型、所述问题编码与时间上下文嵌入向量表示和所述用户编码与时间上下文嵌入向量表示，得到问题编码与时间上下文嵌入注意力传播权重和用户编码与时间上下文嵌入注意力传播权重；
根据所述问题编码与时间上下文嵌入注意力传播权重和所述查询值投影矩阵，得到任一问题到任一用户可信信息量；
根据所述用户编码与时间上下文嵌入注意力传播权重和所述查询值投影矩阵，得到任一用户到任一问题可信信息量。
5.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据，包括：
获取所述用户问题交互异质多重图中的任一用户邻域和任一问题领域；
利用预设激活函数，分别对所述任一问题邻域中的任一问题到任一用户可信信息量进行激活得到任一用户聚合门控信息，以及对所述任一用户邻域中的任一用户到任一问题可信信息量进行激活得到任一问题聚合门控信息，由所述任一用户聚合门控信息和所述任一问题聚合门控信息构成所述用户侧信息聚合数据；
利用所述预设激活函数，对所述任一问题领域中的任意问题之间异质可信信息量进行激活，得到所述问题侧信息聚合数据，其中所述任意问题之前的关联为1或2。
6.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示，包括：
确定多头注意力机制中任一学习子空间的可学习查询信息投影矩阵、可学习被查询向量投影矩阵、可学习查询值投影矩阵、潜在维度和多头注意力机制头数量；
确定任一类型的用户问题之间交互表示重要性分数和任一类型的不同问题之间交互表示重要性分数；
获取多层网络门控融合层表示参数；
利用所述门控聚变机制，由所述多层网络门控融合层表示参数、所述用户问题之间交互表示重要性分数、所述可学习查询信息投影矩阵、所述可学习被查询向量投影矩阵、所述可学习查询值投影矩阵、所述潜在维度和所述多头注意力机制头数量，得到所述用户可信性判定表示；
利用所述门控聚变机制，由所述多层网络门控融合层表示参数、所述不同问题之间交互表示重要性分数、所述可学习查询信息投影矩阵、所述可学习被查询向量投影矩阵、所述可学习查询值投影矩阵、所述潜在维度和所述多头注意力机制头数量，得到所述问题可信性判定表示。
7.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示，包括：
基于信息融合函数和信息传播函数，对所述用户可信性判定表示、所述问题可信性判定和所述用户问题交互异质多重图进行嵌入更新，得到所述多层更新表示。
8.根据权利要求1所述的心理测评掩饰性行为识别方法，其特征在于，所述基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果，包括：
根据所述用户问题交互异质多重图的邻接矩阵中提取的节点相关性确定权值向量；
基于所述随机游走的子图采样算法，根据所述权值向量对所述多层更新表示进行采样，得到所述心理测评掩饰性行为识别结果。
9.一种心理测评掩饰性行为识别***，其特征在于，包括：
生成模块，用于基于心理测评数据中的用户答题时间数据和答题条目选项数据，生成用户问题交互异质多重图；
编码模块，用于采用相对时间编码获取所述用户问题异质多重图中的时序特征数据；
确定模块，用于根据所述时序特征数据确定所述用户问题交互异质多重图的异构注意力消息聚合机制；
聚合模块，用于利用所述异构注意力消息聚合机制获取用户侧信息聚合数据和问题侧信息聚合数据；
建模模块，用于分别对所述用户侧信息聚合数据和所述问题侧信息聚合数据进行行为层次依赖建模和门控聚变机制处理，得到用户可信性判定表示和问题可信性判定表示；
更新模块，用于采用预设高阶多行为模式的前向传播对所述用户可信性判定表示和所述问题可信性判定表示进行更新和连接，得到所述问题交互异质多重图的多层更新表示；
采样模块，用于基于随机游走的子图采样算法对所述多层更新表示进行采样，得到心理测评掩饰性行为识别结果。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述心理测评掩饰性行为识别方法。
CN202310236368.7A 2023-03-10 2023-03-10 一种心理测评掩饰性行为识别方法及*** Active CN116612843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310236368.7A CN116612843B (zh) 2023-03-10 2023-03-10 一种心理测评掩饰性行为识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310236368.7A CN116612843B (zh) 2023-03-10 2023-03-10 一种心理测评掩饰性行为识别方法及***

Publications (2)

Publication Number Publication Date
CN116612843A true CN116612843A (zh) 2023-08-18
CN116612843B CN116612843B (zh) 2024-07-19

Family

ID=87675255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310236368.7A Active CN116612843B (zh) 2023-03-10 2023-03-10 一种心理测评掩饰性行为识别方法及***

Country Status (1)

Country Link
CN (1) CN116612843B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118236068A (zh) * 2024-05-29 2024-06-25 江西中医药大学 基于多维度因素的抑郁情绪程度预估方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110060715A1 (en) * 2008-03-14 2011-03-10 William Rodman Shankle Non-natural pattern identification for cognitive assessment
KR20140119564A (ko) * 2013-04-01 2014-10-10 (주)휴노 부정행위 방지 및 심리검사 결과의 향상을 위한 온라인 기반의 심리검사 서비스를 제공하는 방법 및 서버
CN112463966A (zh) * 2020-12-08 2021-03-09 北京邮电大学 虚假评论检测模型训练方法、检测方法及装置
CN112732936A (zh) * 2021-01-11 2021-04-30 电子科技大学 一种基于知识图谱和用户微观行为的广电节目推荐方法
CN115659966A (zh) * 2022-10-29 2023-01-31 福州大学 基于动态异构图和多级注意力的谣言检测方法及***
CN115762719A (zh) * 2022-12-19 2023-03-07 武汉大学 基于组合模型的心理测评真实性评估方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110060715A1 (en) * 2008-03-14 2011-03-10 William Rodman Shankle Non-natural pattern identification for cognitive assessment
KR20140119564A (ko) * 2013-04-01 2014-10-10 (주)휴노 부정행위 방지 및 심리검사 결과의 향상을 위한 온라인 기반의 심리검사 서비스를 제공하는 방법 및 서버
CN112463966A (zh) * 2020-12-08 2021-03-09 北京邮电大学 虚假评论检测模型训练方法、检测方法及装置
CN112732936A (zh) * 2021-01-11 2021-04-30 电子科技大学 一种基于知识图谱和用户微观行为的广电节目推荐方法
CN115659966A (zh) * 2022-10-29 2023-01-31 福州大学 基于动态异构图和多级注意力的谣言检测方法及***
CN115762719A (zh) * 2022-12-19 2023-03-07 武汉大学 基于组合模型的心理测评真实性评估方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵童;黄钲;王秀超;李淼;张昀;郑秀娟;刘凯;: "心理测试中掩饰行为的识别研究", 计算机工程与应用, no. 20, 22 November 2019 (2019-11-22), pages 164 - 170 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118236068A (zh) * 2024-05-29 2024-06-25 江西中医药大学 基于多维度因素的抑郁情绪程度预估方法及***

Also Published As

Publication number Publication date
CN116612843B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
Dharwadkar et al. A medical chatbot
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
CN107516110A (zh) 一种基于集成卷积编码的医疗问答语义聚类方法
CN110337645A (zh) 可适配的处理组件
Berry Empirical evaluation of tools for hairy requirements engineering tasks
CN113673244B (zh) 医疗文本处理方法、装置、计算机设备和存储介质
CN112231491B (zh) 基于知识结构的相似试题识别方法
CN112289467B (zh) 一种面向低资源场景可迁移的医疗问诊对话***及方法
CN116612843B (zh) 一种心理测评掩饰性行为识别方法及***
CN113555074A (zh) 一种流行病学调查装置及方法
CN117316466A (zh) 一种基于知识图谱与自然语言处理技术的临床决策方法、***及设备
CN116628219A (zh) 一种基于知识图谱的问答方法
Luo et al. Knowledge grounded conversational symptom detection with graph memory networks
Rajeswari et al. Development of Healthcare Monitoring System with Pollution Control in Industrial Sectors Using the Internet of Things
CN113822183A (zh) 基于au-emo关联与图神经网络的零样本表情识别方法及***
Ciaccio et al. Biosignal pattern recognition and interpretation systems
Bagwan et al. Artificially intelligent health chatbot using deep learning
Li Disaster tweet text and image analysis using deep learning approaches
Bashar et al. Algan: Time series anomaly detection with adjusted-lstm gan
Abdelhamid et al. Architecture for personality detection using enneagram knowledge: case study
Burk et al. Pattern discovery using semantic network analysis
CN114429822A (zh) 病历质检方法、装置和存储介质
du Toit et al. Deep Learning Affective Computing to Elicit Sentiment Towards Information Security Policies
Wang et al. Interpretable knowledge mining for heart failure prognosis risk evaluation
Kumar et al. Predicting Personality Traits of Introverts and Extroverts for Forensic Applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant