摘要
近年，大学生心理问题的普遍性和严重性有所显现，鉴于大学生心理健康状态与其学习
效率、学习效果、身心全面发展高度相关，因此，高校乃至社会有必要进一步提升对大学生
心理健康的关注度。而在社交网络平台中心理危机预警机制能够率先发现学生心理问题，优
先匹配教育资源进行辅导，改善学生学习环境，使学生做到身心全面发展。基于此，本文以
社交网络平台中的大学生用户作为研究对象，研究心理健康预测技术与干预策略，并具体应
用到抑郁倾向预测方向。以社交网络平台中的文本数据处理方法为切入点，对已有文献进行
梳理和总结，发现该领域内目前仍然存在以下问题：1）从理论上来说，由于该研究领域属于
心理、教育、人工智能等交叉学科，预警系统指标构建在各学科间的理论融合方面尚不完备，
且缺乏用于检测心理状态的中文文本数据集；2）从技术上来说，预警系统在模型的选择和优
化上仍然不够深入，存在泛化能力低的问题；3）从交叉融合角度来说，理论知识与新兴技术
融合难度较大。针对以上三点不足，本文展开以下研究：
1、构建了一个面向大学生抑郁倾向预测的中文文本数据集。共阅读1029名微博用户信
息，经筛选后获得有效微博用户400名。使用爬虫技术获取400名用户的个人资料和微博文
本数据104670条，经数据清洗、分词、去停用词等数据预处理技术获得有效微博数50431条。
通过构建中文文本数据集，帮助解决了中文文本训练数据样本库的稀缺问题，同时为心理健
康预警模型的训练提供了数据基础。
2、提出了一种有效的基于抑郁知识图谱的特征提取方法。通过分析大学生在性别、语言、
行为、情绪等方面特征和深层次知识关系，构建抑郁知识图谱，同时提取具有抑郁倾向区分
度的特征信息。为了验证所提取特征信息的有效性，将其作为SVM分类器预测模型的输入加
以训练，并与参考文献中的SVM预测模型的结果进行对比实验。结果显示，本文所提取的特
征信息在抑郁分类准确率上提升了8%，达到93%，表明在使用相同SVM分类器进行文本分
类的前提下，基于知识图谱进行特征提取的处理方法更为有效。
3、提出了更加适合分类的深度学习模型CNN-GRU。为了实现更好的预测效果，在保持
特征提取方法不变的前提下，构建一种改进的分类模型，将CNN和GRU的优势结合起来，
以进一步挖掘文本时序信息，捕捉用户在微博中的情感变化、话题演变等信息。与已发表文
献中不同深度学习方法的预测数据比较，CNN-GRU模型有10%的性能提升，能够达到96%
的准确率，表明改进后的模型在抑郁倾向预测问题中具有更强的适应性和更优的分类性能。
总而言之，本文所构建的两种分类模型算法在验证集中都获得较好的成绩，所采用的基
于知识图谱提取特征方法和基于深度学习分类模型能够有效地提高模型的分类性能。这为未
来的研究方向提供了有价值的参考和启示，也为心理健康预警系统的改进和优化提供了新的
思路和方法。此外，为帮助心理危机预警模型实现更好的应用效果，本文从高校、教师和技
术支持理论角度设计了干预策略，这为心理健康教育领域提供了新的策略，有助于更好地解
决大学生心理健康问题。
关键词:抑郁倾向，社交网络，知识图谱，机器学习，深度学习，心理健康教育
Abstract
Inrecentyears,theprevalenceandseriousnessofcollegestudentspsychologicalproblemshave
emerged,andinviewofthehighcorrelationbetweencollegestudentsmentalhealthandtheir
learningefficiency,learningeffect,andcomprehensivephysicalandmentaldevelopment,itis
necessaryforcollegesanduniversitiesandevensocietytofurtherenhancetheirattentiontocollege
studentsmentalhealth.In