Detección temperá da depresión mediante temporal word embeddings
Use este enlace para citar
http://hdl.handle.net/2183/29506
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 3.0 España
Colecciones
Metadatos
Mostrar el registro completo del ítemTítulo
Detección temperá da depresión mediante temporal word embeddingsAutor(es)
Directores
Parapar, JavierLandín Piñeiro, Alfonso
Fecha
2021Centro/Dpto/Entidad
Enxeñaría informática, Grao enDescripción
Traballo fin de grao (UDC.FIC). Enxeñaría informática. Curso 2020/2021Resumen
[Resumo] A depresión é un trastorno mental habitual que afecta a máis de 300 millons de persoas no mundo. Constitúe a principal causa de discapacidade según a OMS e no peor dos casos pode levar ao suicidio. Ainda que existen tratamentos eficaces o seu difícil diagnóstico xunto coa falla de recursos fan que o tratamento non chegue a máis da metade dos afectados [1]. Neste contexto a iniciativa eRisk establece unha serie de retos para tratar de detectar de forma temperá o perigo de sufrir transtornos persoais. Entre estes retos atópanse a detección temprá da depresión. Esta tarefa desempeñouse no 2017 [2] e 2018 [3] contando con metodoloxías propias de evaluación. Neste proxecto imos crear un sistema de alertas que axude a detectala depresión de formatemperá. Estudaremos as publicacións de diferentes usuarios na rede social Reddit para extraeros patróns propios da linguaxe das persoas que desenrolaran depresión. Teremos en contacómo evoluíu o significado das palabras no tempo para poder determinar cándo o nivel da depresióntraspasa un umbral. Para esta tarefa empregaremos representacións temporáis densasde palabras (temporal word embedings). Estas representacións demostraron súa utilidade paracaptala evolución dos sentimentos asociados as palabras ó longo do tempo [4]. En concretousaremos o algoritmo TWEC proposto no paper Training Temporal Word Embeddings Witha Compass [5] e compararemos os resultados deste algoritmo cos resultados dos presentadosnas edicións do CLEF eRisk 2017 [2] e CLEF eRisk 2018 [3].
Palabras clave
eRisk
Depresión
NLP
Temporal word embeddings
Word2Vec
Redes neuronais recurrentes
Maquinas de soporte vectorial
CBOW
TWEC
Scrum
Compass
Git
Depresión
NLP
Temporal word embeddings
Word2Vec
Redes neuronais recurrentes
Maquinas de soporte vectorial
CBOW
TWEC
Scrum
Compass
Git
Derechos
Atribución-NoComercial-SinDerivadas 3.0 España