一种社交网络自杀意念检测方法及系统

摘要

本发明提供一种社交网络自杀意念检测方法及系统，包括：获取自杀风险个体知识图谱；基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。本发明通过构建基于自杀风险个体知识图谱，以及建立双层注意力机制，有效解决了社交网络中对自杀意念分析存在数据不易获取以及数据稀少的问题。

说明书

技术领域

本发明涉及自然语言技术领域，尤其涉及一种社交网络自杀意念检测方法及系统。

背景技术

自杀意念是一个在世界上所有国家中都在显著的问题。根据不同的报告和统计数据，全世界自杀意念的终生患病率约为9％，而这一数字对于18至25岁年龄段的人来说要高得多。为什么一个人可能会有自杀念头，背后有很多原因，而且长期以来，人格特质与自杀倾向的关系也得到了调查与研究。然而，由于繁杂的受调查群体以及概念和方法论的多样性，仍然难以确定不同诱因的独立贡献程度。自杀意念的直接危险因素仍然未知，尤其是在发展中国家。在任何情况下，对于那些有自杀念头的人，越早发现它们，预防自杀的机会就越大。

现有的关于自杀检测相关技术中，心理学家开发了许多自杀风险度量(例如自杀概率量表，成人自杀意念调查表，自杀影响-行为认知量表等)来评估个人的自杀意念。然而这种方法需要人们填写主观问卷或参加专业访谈，因此仅适用于一小部分人。对于那些正在遭受苦难却倾向于隐藏最深的想法并拒绝寻求他人帮助的人，这种方法行不通。随着社交媒体(例如Twitter，在线论坛和微博)成为当今日常生活不可或缺的一部分，越来越多的人前往社交媒体来获取信息，自我表达，情感释放和个人互动。社交媒体的大规模，低成本和开放性优势为我们提供了前所未有的机会来调查与自杀意念有关的个人症状和特质。然而，通过社交媒体分析和发现个人的自杀意念并非易事，面临着数据隐式和数据稀少两方面的挑战。

因此，需要提出一种新的针对社交网络自杀意念检测的方法。

发明内容

本发明提供一种社交网络自杀意念检测方法及系统，用以解决现有技术中针对自杀意念检测的局限性比较大，无法很好地对社交网络信息进行提取和甄别的缺陷。

第一方面，本发明提供一种社交网络自杀意念检测方法，包括：

获取自杀风险个体知识图谱；

基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

进一步地，所述获取自杀风险个体知识图谱，具体包括：

基于预设向量连接表示规则、文本词向量规则和卷积神经网络构建用户在社交网络中的个人信息表示、个人经历表示、人格特质表示、发博行为表示、情绪表达表示和社交互动表示。

进一步地，所述基于预设向量连接表示规则、文本词向量规则和卷积神经网络构建用户在社交网络中的个人信息表示、个人经历表示、人格特质表示、发博行为表示、情绪表达表示和社交互动表示，具体包括：

采用预设三维向量表示用户性别标量信息，采用当前用户年龄以及预设最大用户年龄获得用户年龄标量信息，并采用预设长度向量表示用户位置标量信息；

获取用户在预设时间区间的压力区间、压力等级和压力类别，由所述压力区间、所述压力等级和所述压力类别形成若干压力周期；

获取社交网络高频种子词和用户发布的博文集合，基于所述社交网络高频种子词和所述博文集合，得到追求完美特质分量和反刍思维分量，并基于所述压力区间获得人际关系敏感程度分量；

分别采用第一预训练模型提取用户单条微博的文本表示，采用第二预训练模型提取用户单条微博的图像表示，将用户的发博时间映射至预设时间区间中，由所述文本表示、所述图像表示和所述发博时间进行拼接并由预设循环神经网络表示为用户发博行为特征矩阵；

根据词频提取自杀词、遗言词、未来词、否定词和自我关注词，并获取情绪转变属性值；

获取用户的被关注人数、关注人数、互动次数以及相邻用户数，由所述被关注人数、所述关注人数、所述互动次数和所述相邻用户数得到用户个人社交互动实例化表示向量。

进一步地，所述基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果，具体包括：

基于所述自杀风险个体知识图谱中的相关因素，提出属性级别注意力机制，由所述属性级别注意力机制获取不同因素重要性，由所述相关因素和所述不同因素重要性获取用户自身个人表示矩阵；

基于所述用户自身个人表示矩阵提出相邻用户级别注意力机制，由所述相邻用户级别注意力机制获取用户相关联个人表示矩阵，将所述用户自身个人表示矩阵和所述用户相关联个人表示矩阵进行聚合，得到基于社交网络的用户个人表示矩阵；

根据所述用户个人表示矩阵，获得社交网络用户自杀意念表示矩阵，由所述社交网络用户自杀意念表示矩阵判断用户存在自杀意念的可能性。

进一步地，所述基于所述自杀风险个体知识图谱中的相关因素，提出属性级别注意力机制，由所述属性级别注意力机制获取不同因素重要性，由所述相关因素和所述不同因素重要性获取用户自身个人表示矩阵，具体包括：

除去所述自杀风险个体知识图谱中用户的所有相邻用户，将剩下的所有实例化属性进行拼接，得到实例化属性向量；

采用属性级别注意向量，基于所述实例化属性向量计算不同属性的重要性，得到属性级别表示向量。

进一步地，所述基于所述用户自身个人表示矩阵提出相邻用户级别注意力机制，由所述相邻用户级别注意力机制获取用户相关联个人表示矩阵，将所述用户自身个人表示矩阵和所述用户相关联个人表示矩阵进行聚合，得到基于社交网络的用户个人表示矩阵，具体包括：

从所述属性级别表示向量中获取用户的初始隐藏状态；

获取与用户直接相连的邻居用户集合，采用预设拼接运算和完全连接层将所述邻居用户集合中的每个相邻的用户对进行计算，得到注意力系数；

集合所有的注意力系数，得到用户的邻居注意力系数向量，采用归一化函数计算所述邻居注意力系数向量的邻居影响系数；

基于所述邻居影响系数更新所述初始隐藏状态，得到更新的初始隐藏状态；

基于所述完全连接层对所述更新的初始隐藏状态进行处理，得到用户最终表示向量。

进一步地，所述根据所述用户个人表示矩阵，获得社交网络用户自杀意念表示矩阵，由所述社交网络用户自杀意念表示矩阵判断用户存在自杀意念的可能性，具体包括：

基于所述完全连接层和所述归一化函数对所述用户最终向量表示进行处理，得到所述社交网络用户自杀意念表示矩阵；

由所述社交网络用户自杀意念表示矩阵的值判断用户是否存在自杀的可能性。

第二方面，本发明还提供一种社交网络自杀意念检测系统，包括：

获取模块，用于获取自杀风险个体知识图谱；

处理模块，用于基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

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社交网络自杀意念检测方法的步骤。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述社交网络自杀意念检测方法的步骤。

本发明提供的社交网络自杀意念检测方法及系统，通过构建基于自杀风险个体知识图谱，以及建立双层注意力机制，有效解决了社交网络中对自杀意念分析存在数据不易获取以及数据稀少的问题。

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一简单地介绍，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是本发明提供的社交网络自杀意念检测方法的流程示意图；

图2是本发明提供的自杀风险个体知识图谱示意图；

图3是本发明提供的获取微博用户博文表示矩阵示意图；

图4是本发明提供的基于自杀风险个体知识图谱的自杀意念检测方法流程图；

图5是本发明提供的社交网络自杀意念检测系统的结构示意图；

图6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作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。

针对现有技术存在的问题，构建自杀风险相关的个体知识图谱，并利用所构建的知识图谱，发掘导致微博用户萌生自杀意念的原因，并以此来进一步提升自杀意念检测的准确率。

本发明提出一种社交网络自杀意念检测方法，如图1所示，包括：

S1，获取自杀风险个体知识图谱；

S2，基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

具体地，首先提出并构建一种自杀风险相关的个体知识图谱，然后提供一种双层注意力机制来发觉导致用户产生自杀意念的关键因素，并基于用户所处的社交网络，构建图神经网络，利用图神经网络的消息传递作用，计算来自周围相邻的人对于该用户的影响，最终来判断该用户自杀的可能性。

本发明通过构建基于自杀风险个体知识图谱，以及建立双层注意力机制，有效解决了社交网络中对自杀意念分析存在数据不易获取以及数据稀少的问题。

基于上述实施例，该方法中步骤S1具体包括：

基于预设向量连接表示规则、文本词向量规则和卷积神经网络构建用户在社交网络中的个人信息表示、个人经历表示、人格特质表示、发博行为表示、情绪表达表示和社交互动表示。

其中，所述基于预设向量连接表示规则、文本词向量规则和卷积神经网络构建用户在社交网络中的个人信息表示、个人经历表示、人格特质表示、发博行为表示、情绪表达表示和社交互动表示，具体包括：

采用预设三维向量表示用户性别标量信息，采用当前用户年龄以及预设最大用户年龄获得用户年龄标量信息，并采用预设长度向量表示用户位置标量信息；

获取用户在预设时间区间的压力区间、压力等级和压力类别，由所述压力区间、所述压力等级和所述压力类别形成若干压力周期；

获取社交网络高频种子词和用户发布的博文集合，基于所述社交网络高频种子词和所述博文集合，得到追求完美特质分量和反刍思维分量，并基于所述压力区间获得人际关系敏感程度分量；

分别采用第一预训练模型提取用户单条微博的文本表示，采用第二预训练模型提取用户单条微博的图像表示，将用户的发博时间映射至预设时间区间中，由所述文本表示、所述图像表示和所述发博时间进行拼接并由预设循环神经网络表示为用户发博行为特征矩阵；

根据词频提取自杀词、遗言词、未来词、否定词和自我关注词，并获取情绪转变属性值；

获取用户的被关注人数、关注人数、互动次数以及相邻用户数，由所述被关注人数、所述关注人数、所述互动次数和所述相邻用户数得到用户个人社交互动实例化表示向量。

具体地，如图2所示，首先定义在自杀风险相关的个体知识图谱中，所有和节点、边有关的术语，然后用从个人社交媒体账户中提取的数据来实例化此用户的个体知识图谱。在有关自杀风险因素预测的心理学研究的启发下，从以下六个角度(即个人信息，人格，经历，发博行为，情绪表达和社交互动)来抽取和分析用户在社交媒体中的表现。

第一方面是个人信息，包括性别、年龄和位置。根据之前的研究结果，在经受困难时，女性自杀的可能性是男性的三倍，因此从用户的微博帐户中收集了用户u的个人详细信息，包括性别、年龄和位置，并将其纳入个体知识图谱，然后使用3维向量来描述用户的性别信息，Gender(u)＝(1,0,0)，(0,1,0)或(0,0,1)，分别代表女性，男性或未知。使用从零到一的标量来表示用户的年龄。通过将用户年龄除以所收集数据集中的最大用户年龄来获得标量，

如图用户的性别表达一样，使用了长度为8的向量来表示用户u的位置，Loc(u)＝(1,0,0,...,0)，(0,1,0,...,0)，···，或(0,0,0,...,1)，向量的每个元素代表一个特定的地理方向。如果用户位于相应的位置，则值为1，否则为0。本发明中总共考虑了8个位置方向(即华东地区，华南地区，华北地区，西南地区，西北地区，华中地区，东北地区以及未知的地区)。

第二方面是个人经历，包括心理压力、心理障碍和先前的自杀尝试。当一个人不再能够应付某种困难或压倒性的情况时，就会产生自杀意念，自杀意念的一些公认原因包括个人经历了持续的来自压力类别的高强度心理压力，本发明为了检测最近一年内用户的心理压力(压力区间，压力等级和压力类别)，将算法应用于用户的发博行为，并捕获了一系列压力周期S(u)，每个压力周期的形式为s＝(s

stress(u)＝(sNum(u)，sLevel(u)，sCatNum(u))

其中sNum(u)＝|S(u)|，

此外，患有诸如抑郁症或双相情感障碍之类的心理疾病的人也更容易产生自杀意念，以前尝试自杀的人比没有自杀的人有更高的自杀风险。当且仅当用户u在微博上发布了诸如“我患有抑郁症/躁郁症……”之类的信息时，才设置Disorder(u)＝1，否则设置为0，同时Attempt(u)＝1，且仅当用户u在微博上发布了类似于“我曾经自杀过#次”之类的信息时，否则设置为0。

第三方面是人格特质，包括追求完美、反刍思维和人际关系敏感。针对人格因素对自杀倾向的影响的研究由来已久，心理调查结果显示，人格维度与自杀相关行为显着相关，并且特定的人格因素对每个性别的自杀都有独特的影响。追求完美，反刍思维和人际关系敏感等人格类型可能是自杀风险的重要诱因。

为了评估一个人追求完美的程度，本发明从一个“完美主义者”论坛中找出了36个潜在的完美主义者用户，其所发布的帖子中包含了“像许多完美主义者一样，感觉...”，“我肯定有不健康的完美主义”等等句子。我们从他们的帖子中计算出了前100个高频词。在计算过程中会删除停用词和代表考试之类的词，最终得到了“不足”，“完美”，“失败”，“失败”，“不完美”，“竞争”这些词；将它们作为种子词，并用同义或相似词来进一步扩大这个与完美主义相关的词表。此外还构建了与反刍思维相关的词典，其中包括非常重要的否定词，例如“遗憾”，“后悔”，“悔恨”，“自责”等。

之后分别根据每个帖子中与完美主义相关和与反刍相关的词的平均比例来衡量用户的追求完美和反刍思维的程度，令P(u)表示用户u发布的博文集合，对于每个帖子p∈P(u)，假设函数pwordNum(p.u)和rwordNum(p,u)分别返回p中与完美主义有关的词和与反刍思维有关的词的数量。

接下来，通过计算用户在人际关系压力类别中经历了多少次压力区间来衡量用户u的人际关系敏感程度：

Sensitive(u)＝|{s|s∈S(u)∧s

其中S(u)是从用户u上的检测到的一组压力区间，并且s＝(s

第四方面是发博行为，包括文本、图像和发布时间。个人可以随时随地发布文本和图像。这些语言和视觉内容以及发布时间可能会透露出个人的想法或感受。由于Bert和ResNet是常用的预训练模型，它们在文本特征提取和视觉特征提取上表现良好。对于每篇博文，通过预先训练的Bert模型和34层ResNet将单条博文的语言和图像内容分别编码为768维和300维向量。当一篇博文的图像丢失时，填充一个默认的空图像，该图像为新浪微博所展示的默认图像。当帖子包含多个图像时，将图像的平均特征向量作为博文的图像内容表示。另外，将用户的发博时间映射到从0到23的时间中。假设用户u总共发布了n条帖子post

如图3所示，为了进一步训练出用户u的博文表示，我们将(text

out

其中LSTM最后一次的输出为

其中

第五方面是情绪表达，包括自杀词、遗言词、未来词、否定词、自我关注词和情绪转变。自杀者倾向于表达而不是压抑自己的绝望自杀感，包括使用更少的未来词语，更多的否定词和自我关注词语，例如“我”、“自己”、“咱”、“俺”和“我们”等等。同时，那些特别是出现在用户最近的博文上的遗言(表示遗憾，内疚，对家人和朋友的告别等)，也被认为是自杀意念的重要可观察风险因素。本发明从《中国自杀词典》和《中国语言查询和单词计数》中提取了586个自杀词，125个遗言词，86个未来词和665个否定词的文章以及36个关于自我关注的词，这里以SuicideProp(u),LastWordProp(u),FutureProp(u),NegProp(u)和SelfProp(u)来表示用户u的对应属性的属性值，每个属性值都是通过计算词频来实现的，其中在计算LastWordProp(u)的时候，仅考虑了最近两周的博文。

除了使用具体的词外，还从其他相关研究中得到了启示，自杀意念者和非自杀意念者的在情感转换方面是存在显著差异的，即在自杀意念者中，情绪“爱”更经常地伴随着焦虑或悲伤情绪，而在非自杀意念者中，情绪“爱”更经常地伴随着喜悦情绪。因此，在本发明中考虑了八种情绪(爱，喜悦，期望，焦虑，悲伤，愤怒，恨和惊奇)，在用户u最近的十篇博文中，计算从爱到喜悦的情绪转变(love-joy(u))和从爱到焦虑/悲伤的情绪转变(love-anxiety/sorrow(u))，表示情感转变的属性值为：nEmotionTrans(u)＝(love-joy(u)，love-anxiety/sorrow(u))。

对于用户u，如果存在两篇博文，其中第一篇博文包含一个或多个和爱有关的词语，而第二个后续博文则包含一个或多个和喜悦有关的词语。则love-joy(u)的值设为1，否则为0。love-anxiety/sorrow(u)的值以相同的方式计算。

第六方面是社交互动，包括被关注数、关注数、提及/转发/同意书和用户。社交隔离是自杀意念产生的重要且可靠的因素。当陷入困境时，如果能够得到家人，朋友和同伴的支持，理解和接受，他/她的压力和后续的负面情绪就可以被抵消，这可能避免极端的自杀行为。实际上，绝望的人们往往在社交网络中存在感很低，因此得到的社会支持也很薄弱。在这里，一个人的在线社交参与度由他的被关注/关注人数，提及/转发/同意次数以及相邻用户反映出来。特别要注意的是，为了不受到“僵尸粉丝”(社交媒体中的假粉丝)的影响，在计算用户被关注数时，本发明过滤了在过去六个月中，原始博文发布次数小于三次的用户：

Interact(u)

＝(FollowingNum(u),FollowerNum(u),IntActNumb,Users(u))其中前三个属性值为非负整数值，而Users(u)表示为用户u的邻居用户数量。

可以理解的是，将自杀风险相关的个体知识图谱描述为G＝{V,E}，其中V和E分别是节点集和边集。一个用户节点可以具有多个属性节点，并且可以通过社交媒体上的互相关注链接到另一个用户节点。用户与用户之间的边的权重表示着两个用户在社交媒体上的关于自杀想法的影响，而用户与自身属性的边的权重代表着不同属性(个人信息，人格，经历，发博行为，情绪表达和社交互动)对产生自杀意念的贡献。

本发明通过从六个大方面构建了自杀风险个体知识图谱，比较全面覆盖了自杀检测的各个方面，为后续的自杀检测计算提供了全面有力的数据支撑。

基于上述任一实施例，该方法中步骤S2具体包括：、

基于所述自杀风险个体知识图谱中的相关因素，提出属性级别注意力机制，由所述属性级别注意力机制获取不同因素重要性，由所述相关因素和所述不同因素重要性获取用户自身个人表示矩阵；

基于所述用户自身个人表示矩阵提出相邻用户级别注意力机制，由所述相邻用户级别注意力机制获取用户相关联个人表示矩阵，将所述用户自身个人表示矩阵和所述用户相关联个人表示矩阵进行聚合，得到基于社交网络的用户个人表示矩阵；

根据所述用户个人表示矩阵，获得社交网络用户自杀意念表示矩阵，由所述社交网络用户自杀意念表示矩阵判断用户存在自杀意念的可能性。

其中，所述基于所述自杀风险个体知识图谱中的相关因素，提出属性级别注意力机制，由所述属性级别注意力机制获取不同因素重要性，由所述相关因素和所述不同因素重要性获取用户自身个人表示矩阵，具体包括：

除去所述自杀风险个体知识图谱中用户的所有相邻用户，将剩下的所有实例化属性进行拼接，得到实例化属性向量；

采用属性级别注意向量，基于所述实例化属性向量计算不同属性的重要性，得到属性级别表示向量。

其中，所述基于所述用户自身个人表示矩阵提出相邻用户级别注意力机制，由所述相邻用户级别注意力机制获取用户相关联个人表示矩阵，将所述用户自身个人表示矩阵和所述用户相关联个人表示矩阵进行聚合，得到基于社交网络的用户个人表示矩阵，具体包括：

从所述属性级别表示向量中获取用户的初始隐藏状态；

获取与用户直接相连的邻居用户集合，采用预设拼接运算和完全连接层将所述邻居用户集合中的每个相邻的用户对进行计算，得到注意力系数；

集合所有的注意力系数，得到用户的邻居注意力系数向量，采用归一化函数计算所述邻居注意力系数向量的邻居影响系数；

基于所述邻居影响系数更新所述初始隐藏状态，得到更新的初始隐藏状态；

基于所述完全连接层对所述更新的初始隐藏状态进行处理，得到用户最终表示向量。

其中，所述根据所述用户个人表示矩阵，获得社交网络用户自杀意念表示矩阵，由所述社交网络用户自杀意念表示矩阵判断用户存在自杀意念的可能性，具体包括：

基于所述完全连接层和所述归一化函数对所述用户最终向量表示进行处理，得到所述社交网络用户自杀意念表示矩阵；

由所述社交网络用户自杀意念表示矩阵的值判断用户是否存在自杀的可能性。

具体地，在前述实施例中构建自杀风险个体知识图谱的基础上，本发明设计了一个属性级别的注意力机制和一个相邻用户级别的注意力机制来推理与自杀意念相关的关键因素，并发现邻近用户对社交媒体的自杀意念产生的影响，整体执行流程如图4所示。

一是属性级别的注意力机制：除却用户u的所有相邻用户，首先将u剩下的个体知识图谱中的所有实例化属性拼接在一起，并获得一个61维的属性向量

为了计算不同属性的重要性，使用属性级别的注意向量

P′

α＝softmax((P

其中

二是相邻用户级别的注意力机制，对用户u的属性级别表示向量P′

这里为了降低计算复杂度，首先通过一个完全连接层，从用户的属性表示P′

h

其中

设

其中

通过这种方式，获得了用户u的邻居注意力系数的向量：

其中，

然后应用来计算相应的数值向量

B

通过B

获取h′

r

其中

最后就是自杀意念检测：此处使用完全连接层和softmax函数检测用户u的自杀意念：

[y

其中y

其中，表1为本发明所涉及参数和变量的维度列表：

表1

下面对本发明提供的社交网络自杀意念检测系统进行描述，下文描述的社交网络自杀意念检测系统与上文描述的社交网络自杀意念检测方法可相互对应参照。

图5是本发明提供的社交网络自杀意念检测系统的结构示意图，如图5所示，包括：获取模块51和处理模块52，其中：

获取模块51用于获取自杀风险个体知识图谱；处理模块52用于基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

本发明通过构建基于自杀风险个体知识图谱，以及建立双层注意力机制，有效解决了社交网络中对自杀意念分析存在数据不易获取以及数据稀少的问题。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(CommunicationsInterface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行社交网络自杀意念检测方法，该方法包括：获取自杀风险个体知识图谱；基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

此外，上述的存储器630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-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的社交网络自杀意念检测方法，该方法包括：获取自杀风险个体知识图谱；基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的社交网络自杀意念检测方法，该方法包括：获取自杀风险个体知识图谱；基于所述自杀风险个体知识图谱以及双层注意力机制，获取用户自杀意念关键影响因素，并基于社交网络构建图神经网络，由所述图神经网络计算得到用户自杀判定结果。

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。