一种网络心理健康服务需求预测模型的构建方法

摘要

本申请提供了一种网络心理健康服务需求预测模型的构建方法，用于构建可以得到更佳的预测精度的网络心理健康服务需求预测模型。方法包括：获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型。

说明书

技术领域

本申请涉及预测领域，具体涉及一种网络心理健康服务需求预测模型的构建方法。

背景技术

传染病大流行期间，在线心理健康服务(网络心理健康服务)被评为最佳心理援助措施，其有利于节省时间，更重要的是，它避免了病人和医生之间的面对面接触，这对成功遏制传染病的传播至关重要。

考虑到传染病大流行对公众精神状态的持续影响，建立一个可解释的、准确的、早期的网络心理健康服务需求预测，对于需要精神卫生资源的分配和决策至关重要，而机器学习技术已被广泛应用于精神卫生领域，以促进对精神病诊断的自动检测，如抑郁症等，以及监测系统趋势，以预测心理危机的爆发。

而在现有的相关技术的研究过程中，发明人发现，现有的对于网络心理健康服务需求的预测方案，在实际应用中反映出预测精度有限的情况。

发明内容

本申请提供了一种网络心理健康服务需求预测模型的构建方法，用于构建可以得到更佳的预测精度的网络心理健康服务需求预测模型，从而可以为精神卫生资源的分配和决策提供精确有效的数据支持。

第一方面，本申请提供了一种网络心理健康服务需求预测模型的构建方法，方法包括：

获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；

从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；

通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型，网络心理健康服务需求预测模型用于对输入的目标传染病病例在病例数量上的时间特征、目标心理健康服务平台上求助行为的心理健康话题特征、目标心理健康服务平台上求助行为的心理语言学特征以及目标心理健康服务平台上求助行为在数量上的时间特征来预测对应时间段的网络心理健康服务需求。

结合本申请第一方面，在本申请第一方面第一种可能的实现方式中，在从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征的过程中，包括：

对咨询数据通过神经嵌入的方式转化为向量数据模式的数据，并通过预先利用精神疾病和心理问题的相关知识构建的领域词库，剔除掉与症状、影响因素都无关的词。

结合本申请第一方面，在本申请第一方面第二种可能的实现方式中，网络心理健康服务需求预测模型具体用于预测未来两周之内的网络心理健康服务需求。

结合本申请第一方面，在本申请第一方面第三种可能的实现方式中，网络心理健康服务需求预测模型采用基于Shapley值的可解释人工智能框架，通过Shapley 值来量化不同特征对模型的积极影响和消极影响。

结合本申请第一方面第三种可能的实现方式，在本申请第一方面第四种可能的实现方式中，方法还包括：

根据网络心理健康服务需求预测模型对不同特征计算得到的Shapley值，确定产生显著影响的多个特征值，显著影响是在预设的范围内通过Shapley值的大小或者Shapley值的排名名次确定得到的。

结合本申请第一方面第四种可能的实现方式，在本申请第一方面第五种可能的实现方式中，确定产生显著影响的多个特征值包括以下增加网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中高水平的趋势；

心理健康服务平台上求助行为的心理语言学特征中高水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理健康话题特征中高水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中高水平的趋势；

确定产生显著影响的多个特征值包括以下降低网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中低水平的趋势；

心理健康服务平台上求助行为的心理语言学特征中低水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理健康话题特征中低水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中低水平的趋势。

结合本申请第一方面，在本申请第一方面第六种可能的实现方式中，在通过网络心理健康服务需求预测模型预测了对应时间段的网络心理健康服务需求之后，方法还包括：

根据对应时间段的网络心理健康服务需求，分配和决策精神卫生资源。

第二方面，本申请提供了一种网络心理健康服务需求预测模型的构建装置，装置包括：

获取单元，用于获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；

提取单元，用于从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；

训练单元，用于通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型，网络心理健康服务需求预测模型用于对输入的目标传染病病例在病例数量上的时间特征、目标心理健康服务平台上求助行为的心理健康话题特征、目标心理健康服务平台上求助行为的心理语言学特征以及目标心理健康服务平台上求助行为在数量上的时间特征来预测对应时间段的网络心理健康服务需求。

结合本申请第二方面，在本申请第二方面第一种可能的实现方式中，提取单元在从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征的过程中，具体用于：

对咨询数据通过神经嵌入的方式转化为向量数据模式的数据，并通过预先利用精神疾病和心理问题的相关知识构建的领域词库，剔除掉与症状、影响因素都无关的词。

结合本申请第二方面，在本申请第二方面第二种可能的实现方式中，网络心理健康服务需求预测模型具体用于预测未来两周之内的网络心理健康服务需求。

结合本申请第二方面，在本申请第二方面第三种可能的实现方式中，网络心理健康服务需求预测模型采用基于Shapley值的可解释人工智能框架，通过Shapley 值来量化不同特征对模型的积极影响和消极影响。

结合本申请第二方面第三种可能的实现方式，在本申请第二方面第四种可能的实现方式中，装置还包括确定单元，用于：

根据网络心理健康服务需求预测模型对不同特征计算得到的Shapley值，确定产生显著影响的多个特征值，显著影响是在预设的范围内通过Shapley值的大小或者Shapley值的排名名次确定得到的。

结合本申请第二方面第四种可能的实现方式，在本申请第二方面第五种可能的实现方式中，确定产生显著影响的多个特征值包括以下增加网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中高水平的趋势；

心理健康服务平台上求助行为的心理健康话题特征中高水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理语言学特征中高水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中高水平的趋势；

确定产生显著影响的多个特征值包括以下降低网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中低水平的趋势；

心理健康服务平台上求助行为的心理语言学特征中低水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理健康话题特征中低水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中低水平的趋势。

结合本申请第二方面，在本申请第二方面第六种可能的实现方式中，装置还包括处理单元，用于：

在通过网络心理健康服务需求预测模型预测了对应时间段的网络心理健康服务需求之后，根据对应时间段的网络心理健康服务需求，分配和决策精神卫生资源。

第三方面，本申请提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。

第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面或者本申请第一方面任一种可能的实现方式提供的方法。

从以上内容可得出，本申请具有以下的有益效果：

针对于网络心理健康服务需求的预测，本申请在配置用于训练模型的样本数据时，除了配置心理健康服务平台上求助行为在数量上的时间特征，还配置了传染病在病例数量上的时间特征、心理健康服务平台上求助行为的心理健康话题特征以及心理健康服务平台上求助行为的心理语言学特征，不仅从外部环境考虑了这段时间以来心理求助行为的宏观趋势以及传染病疫情对心理健康的影响，即求助行为在宏观数量上的时间特征以及传染病在病例数量上的时间特征，也从求助人本身考虑了求助行为的心理健康话题特征以及语言学特征，由此可以训练得到对于网络心理服务需求更具有针对性、具有更佳预测精度的网络心理健康服务需求预测模型，从而可以为精神卫生资源的分配和决策提供精确有效的数据支持。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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为本申请网络心理健康服务需求预测模型的构建方法的一种流程示意图；

图2为本申请不同簇数的K-Means模型的轮廓系数的一种场景示意图；

图3为本申请网络心理健康服务需求预测模型的构建方法的一种场景示意图；

图4为申请滞后1天(A)、3天(B)、7天(C)、14天(D)的预测的20大特征的一种场景示意图；

图5为本申请滞后1天(A)、3天(B)、7天(C)、14天(D)的前20个特征的预测在网络心理求助数量(X轴)的调整的Shapley值的一种总结示意图；

图6为本申请网络心理健康服务需求预测模型的构建装置的一种结构示意图；

图7为本申请处理设备的一种结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。

本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。

在介绍本申请提供的网络心理健康服务需求预测模型的构建方法之前，首先介绍本申请所涉及的背景内容。

本申请提供的网络心理健康服务需求预测模型的构建方法、装置以及计算机可读存储介质，可应用于处理设备，用于构建可以得到更佳的预测精度的网络心理健康服务需求预测模型，从而可以为精神卫生资源的分配和决策提供精确有效的数据支持。

本申请提及的网络心理健康服务需求预测模型的构建方法，其执行主体可以为网络心理健康服务需求预测模型的构建装置，或者集成了该网络心理健康服务需求预测模型的构建装置的服务器、物理主机或者用户设备(User Equipment， UE)等不同类型的处理设备。其中，网络心理健康服务需求预测模型的构建装置可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(PersonalDigital Assistant，PDA)等终端设备，处理设备可以通过设备集群的方式设置。

举例而言，处理设备具体可以为网络心理健康服务平台上的后台服务器，从而在网络心理健康服务平台背后，为平台自身甚至为多个平台预测未来时段时间内的网络心理健康服务需求，如此可以为平台在提供网络心理健康服务所需的为精神卫生资源的分配和决策提供精确有效的数据支持，可更完善、高效地利用精神卫生资源，例如咨询师资源等，或者也可进行需求预警等对应操作。

下面，开始介绍本申请提供的网络心理健康服务需求预测模型的构建方法。

首先，参阅图1，图1示出了本申请网络心理健康服务需求预测模型的构建方法的一种流程示意图，本申请提供的网络心理健康服务需求预测模型的构建方法，具体可包括如下步骤S101至步骤S103：

步骤S101，获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；

可以理解，为构建一用于预测网络心理健康服务需求的评估模型，需要准备构建、训练模型用的样本数据。

该样本数据，也可以理解为特征数据，是处理得到的专门用于训练模型的数据，为获取该样本数据，则需获取对应的初始数据，即此处的心理健康服务平台上求助行为的咨询数据以及传染病病例数据。

步骤S102，从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；

在本申请中，训练模型用的样本数据，可从前面获取的心理健康服务平台上求助行为的咨询数据以及传染病病例数据中提取得到，该样本数据具体包括四类的数据，1-传染病在病例数量上的时间特征，2-心理健康服务平台上求助行为的心理健康话题特征，3-心理健康服务平台上求助行为的心理语言学特征，4-心理健康服务平台上求助行为在数量上的时间特征。

为预测未来一段时间内的网络心理健康服务需求，容易理解是从时间特征出发来完成其预测功能的，一般容易想到是以心理健康服务平台上求助行为在数据上的时间特征为基础，即以服务需求的时间序列特征为基础，来进行模型的训练。

而从上面可以发现的是，本申请为预测未来一段时间内的网络心理健康服务需求，样本数据除了包括了心理健康服务平台上求助行为在数据上的时间特征，还包括传染病在病例数量上的时间特征、心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征三者。

对于传染病在病例数量上的时间特征(时序特征)，可以理解，为本申请认为在外部环境、社会环境中可以影响到网络心理健康服务需求的一个因素。

以前的工作发现，传染病病例会影响公众的投资和信任行为，以及体育活动，本申请还调查了公众工作者和大学生受传染病病例影响的网络心理求助行为，然而，公众的网络心理求助行为如何受到传染病病例的影响还没有被了解，也就是说，以前没有方法网络公众的角度来调查传染病病例影响下网络心理求助行为的数量变化。

对于心理健康服务平台上求助行为的心理健康话题特征以及心理语言学特征，可以理解，为本申请认为网络心理求助行为本身除了数量上的时间特征以外还可以反映出对应服务需求的特征。

明显的，该话题特征以及语言学特征，为本申请在心理健康服务平台上求助行为的基础上，新引入的、继续加工得到的特征，从这两方面，对应于不同水平的网络心理服务需求，可存在不同的表现。

以库伯-罗斯提出的悲伤的五个阶段为例，正在经历悲伤的人将经历一系列的五种情绪，其中包括否认、愤怒、讨价还价、抑郁和接受，在这个模型的支持下，人们可能会依次经历这些情绪，并在传染病大流行的不同阶段出现与这些情绪相关的心理问题，而在基于心理健康服务平台发起求助行为时，其求助行为的心理健康话题特征则可对应着五个阶段的情绪类型。

此外，本申请发现，网络心理求助者在传染病大流行的不同阶段因不同的心理问题而寻求帮助，他们的表达方式和文字也会相应发生变化，这表明心理语言特征很可能也是预测网络心理健康服务需求的一大重要变量。

而对于上面四类样本数据，传染病在病例数量上的时间特征可以从官方统计渠道等渠道获得，而心理健康服务平台上求助行为的心理健康话题特征、语言学特征以及在数量上的时间特征则可从心理健康服务平台等渠道获得。

对于从数据源获取样本数据，作为一种实例，第一个数据源是A平台。在这个平台上，大约有2000万人咨询过心理健康服务。人们可以在该平台的问答社区中匿名发布自己的心理问题，寻求心理帮助和心理咨询师的支持。问题帖子可以包括以下可选内容：问题的标题、求助者的年龄和性别、心理问题的过程、内心感受、问题的持续时间、以及标签(如职业、婚姻、恋爱关系、家庭等)。本申请抓取了2018年1月31日至2021年1月8日期间的54,797个心理求助问题，其中3,263个帖子提到了传染病大流行病，平均每天的网络心理求助数量为29.93，每个帖子包含三个部分，即标题描述、心理问题描述和询问时间，某平台在2020年进行的报告显示2020年的报告显示，在网络心理健康服务用户的访问者中，女性访问者较多，是男性访问者的三倍；成年初期(21-35岁)的访问者占77.57％。

第二个数据来源是传染病病例统计数据，包括新增和累计病例数据。

第三个数据源是B平台，该平台可以收集每日网络心理求助数量的时间序列数据。自2020年1月31日起，该平台通过微信向心理求助者开放，而微信是中国最受欢迎的社交网络应用，从2020年1月31日到2021年1月8日，收集了每日网络心理求助行为数量的时间序列数据，总共有37,698个网络心理求助行为。

其中，可以理解的是，对于此处获取到的样本数据，即可以是实时获得的，也可以是调取之前已经获得的数据。

此外，在获取这四类样本数据的过程中，还可以涉及到从大数据中筛选出这四类样本数据的处理，具体可以随数据获取方式而调整，在此不做具体限制。

在提取这四类样本数据的过程中，可以通过聚类等数据处理手段实现相应特征的获取。而在提取对应特征数据的具体过程中，本申请还可对其进行内容筛选，以筛选出、剔除掉粗略的数据获取过程中存在的无意义内容，例如，本申请则可以预先构建一领域词库，该领域词库具体是利用心理求助相关的知识构建的，即利用精神疾病和心理问题的相关知识构建的，如此可过滤掉与心理求助行为无关的内容，保留有效内容，在筛选内容的过程中，还可以是以向量数据模式的形式进行，如此既方便内容筛选的处理，又可促进数据类型的转化，方便后续的数据处理。

以在从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征的过程为例，作为一种示例性的实现方式，在提取过程中，可以包括：

对咨询数据通过神经嵌入的方式转化为向量数据模式的数据，并通过预先利用精神疾病和心理问题的相关知识构建的领域词库，剔除掉与症状、影响因素都无关的词。

具体的，在实际操作中，本申请可以神经词嵌入，神经嵌入是一个技术系列，用于获得实体的紧凑、密集和连续的向量空间表示，可以有效地编码这些实体之间的多方面关系，它已成为现代机器学习的一个核心成分，并且最近为具有挑战性的问题提供了新的机会和解决方案，例如，语言进化、性别和刻板印象。在本申请中，为了分析网络心理求助行为中的心理语言学线索(即心理问题和影响因素)，本申请提出了一种名为Word2vec的神经嵌入方法，来学习网络心理求助问题文本中与心理健康有关的密集和紧凑的矢量空间表示。

具体来说，首先，本申请构建了一个关于心理问题和心理问题影响因素的预定义词库，从与心理健康直接相关的资料中提取了两类种子词的提取并进行了分类，如Kessler10和病人健康问卷，情感词汇表以及网络心理健康服务平台中的标签系统。

其次，本申请构建了网络心理健康服务社区的领域词库。本申请通过使用Jieba工具(即一个Python中文分词包)和百度停顿词列表对心理健康问题的文本进行切割，并删除停顿词。根据词嵌入算法，这些文本被用作训练语料。词向量技术的 Word2vecin Gensim软件构建心理健康预训练词的向量模型，以获得心理问题和相关影响因素的领域词库。在词向量的基础上，计算向量模型中的词与预定义词汇之间的余弦相似度，建立心理问题和影响因素的领域词典。具体来说，心理健康词库包含两部分。(1)2567个与网络心理求助的心理问题相关的词。这些词与预定的种子词之间的语义相似度都大于0.3260。(2)1077个与网络心理求助的影响因素有关的词。这些词与预定的种子词之间的语义相似度大于0.3556。

第三，本申请还获得了求助者的心理问题和影响因素的主题，以去除网络心理求助文本中与心理问题或影响因素词典不相关的词，方便归纳所属的心理健康话题特征，这能提高主题识别的准确性和可解释性，借此避免这两类语义之间形成相互干扰。心理问题和影响因素的词向量表示是用平均词嵌入法得到的。基于这些文本向量表示，本申请使用k-means聚类算法(scikit-learn中K-Means方法的 Python实现)及其评价指标(即轮廓系数)，获得并评价不同聚类中心数量下的聚类性能。

作为又一种实例，本申请分别尝试了4-20个聚类中心的数量，最终选择了7个聚类中心的最佳k-mean聚类模型来进行主题检测，选择了最佳轮廓系数下的聚类数量来构建心理问题和影响因素的聚类，不同聚类的模型和它的轮廓系数可详见图2示出的本申请不同簇数的K-Means模型的轮廓系数的一种场景示意图，轮廓系数的数值范围是-1到1。数值越高代表聚类性能越好。然后，根据与几个聚类相关的高频关键词对类似的心理问题和影响因素的话题进行分类，并确定有关求助者心理问题和影响因素的内容和数量。

步骤S103，通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型，网络心理健康服务需求预测模型用于对输入的目标传染病病例在病例数量上的时间特征、目标心理健康服务平台上求助行为的心理健康话题特征、目标心理健康服务平台上求助行为的心理语言学特征以及目标心理健康服务平台上求助行为在数量上的时间特征来预测对应时间段的网络心理健康服务需求。

在得到处理过的样本数据后，则可开展网络心理健康服务需求预测模型的构建。

在构建模型或者说训练模型的过程中，遵循着以四类样本数据为自变量，以网络心理健康服务需求为因变量的原则，即，以标注有对应网络心理健康服务需求的四类样本数据作为模型训练数据，来训练模型对于输入数据对应的网络心理健康服务需求的预测，如此当模型参数的优化满足训练次数、训练时长、识别精度等训练要求后，则可完成模型的训练，此时的模型则可投入实际应用，对输入数据预测其网络心理健康服务需求，达到网络心理健康服务需求预测效果。

其中，对于该网络心理健康服务需求预测模型，本申请是采用的采用可解释学习回归法构建的，如线性回归(LR)、岭回归(RR)、最小绝对收缩和选择算子(LASSO)、支持向量回归(SVR)和随机森林(RF)，来建立网络心理健康服务需求预测模型，在训练模型过程所涉及的损失函数中，本申请具体可以使用平均绝对误差(Mean Absolute Error，MAE)和皮尔逊相关系数(Pearson correlation coefficient,Pearson Coef)来评估模型中不同算法和特征集的性能，并使用十倍交叉验证法来选择最佳预测模型。

从图1所示实施例可看出，针对于网络心理健康服务需求的预测，本申请在配置用于训练模型的样本数据时，除了配置心理健康服务平台上求助行为在数量上的时间特征，还配置了传染病在病例数量上的时间特征、心理健康服务平台上求助行为的心理健康话题特征以及心理健康服务平台上求助行为的心理语言学特征，不仅从外部环境考虑了这段时间以来心理求助行为的宏观趋势以及传染病对心理健康的影响，即求助行为在宏观数量上的时间特征以及传染病在病例数量上的时间特征，也从求助人本身考虑了求助行为的心理健康话题特征以及语言学特征，由此可以训练得到对于网络心理服务需求更具有针对性、具有更佳预测精度的网络心理健康服务需求预测模型，从而可以为精神卫生资源的分配和决策提供精确有效的数据支持。

此外，出于对实际应用的考虑，本申请网络心理健康服务需求预测模型需要在相对较长的时间内(一到两周)预测网络心理求助的数量，而不是在短期内(例如，当天或第二天)，本申请具体采用机器学习的回归方法建立了滞后1天、3天、7 天、14天的网络心理求助数量预测模型。

即，在本申请中，网络心理健康服务需求预测模型具体用于预测未来两周之内的网络心理健康服务需求。

为了验证传染病大流行对网络心理求助数量的影响，本申请利用与网络心理求助时间序列数据相关的两个网络心理健康服务平台，来认识传染病每日网络心理求助数量的趋势。两个网络心理健康服务平台的不同滞后日的网络心理求助趋势。

结果显示，在传染病大流行开始后，平台的网络心理求助行为急剧增加。具体来说，与B平台的网络心理求助行为在3月中旬达到峰值相比，网络心理健康服务社区的网络心理求助行为在3月初达到峰值。此外，如表1所示，计算了网络心理健康服务社区和平台中网络心理求助数量的时间序列之间的相关性。在B平台上的网络心理求助数量与网络心理健康服务群落的网络心理求助数量有最强的相关性，领先时间为13天，达到0.585(N＝343，P<0.05)。在传染病大流行期间，两个网络心理健康服务平台的每日网络心理求助数量之间的关系显示在下面的表1 中。两个每日网络心理求助数量之间的趋势也达到了很强的相关性，在13天的准备时间内达到了0.911(N＝343，P<0.05)。

表1-网络心理健康服务社区和平台中网络心理求助数量的时间序列之间的相关性。

注：**P<0.001。

通过对网络心理求助文本的主题建模，本申请提取了七个心理问题、七个影响因素和相应的关键词(见下面的表2和表3)。心理问题的主题包括抑郁和焦虑、痛苦、社交恐惧症、缺乏兴趣、担心(害怕)和愤怒。影响因素的主题涉及爱情、婚姻、心理治疗、工作、人际关系、个人特征和家庭。

表2-与网络心理求助行为相关的心理健康主题。

表3-不同算法对网络心理求助数的平均预测性能。

每日网络心理求助数量的预测模型

为了预测不同滞后日的网络心理求助数量，研究不同特征和特征集的重要性，本申请还试图在完善的特征集基础上得到一个性能最佳的回归模型。

如下面的表4所示，RF在滞后3天时取得了最佳性能，MAE与平均网络心理求助数的比率为20.03％(5.99/29.93*100％)。SVR(线性核函数)在滞后1天、7天和 14天时取得了最佳性能。MAE与平均网络心理求助数的比率分别为20.11％、21.14％和22.84％。总的来说，RF和SVR的表现比其他典型的回归算法更好。

表4-特征集组合的预测性能。

注：P**<0.001。

然后，本申请比较了基于RF回归器的四个特征集的不同组合的性能。如下面的表5所示，对于单一特征集在预测中的表现，网络心理求助数的时间特征比其他特征表现更好。值得注意的是，随着滞后天数的增加，单一特征集的性能下降。在任何滞后天数下，所有四个特征集的组合都显示出比任何单一特征集更好的性能。然而，四个特征集的组合并不总是表现出最好的性能，例如，尽管四个特征集的组合在滞后14天时取得了最好的性能，但在滞后1天、3天和7天时，它的性能并不优于主题、时间序列和传染病的组合。此外，与名为"先知"的高级时间序列预测方法相比，具有四个特征集的预测模型在滞后3天和7天时取得了更好的性能。此外，相关系数和MAE之间的结果也有相似之处。可以看到，提前期长的预测在其预测值和真实值之间有很高的相关性，尽管它们的MAE很高。

表5-不同特征集对不同滞后天数的网络心理求助行为的影响。

进一步的，为提高该网络心理健康服务需求预测模型的使用价值，本申请将其配置为，采用基于Shapley值的可解释人工智能框架，通过Shapley值来量化不同特征(上述四类特征可涉及到的不同特征)对模型的积极影响和消极影响。

对于该Shapley值(沙普利值)，其是一种广泛使用的来自合作博弈理论的方法，它具有理想的特性。Shapley值代表一个特征对模型输出变化的责任，Shapley值提供了两个重要的好处。第一，全球可解释性，即Shapley值可以显示每个预测因子对目标变量的贡献有多大，无论是积极的还是消极的。第二，局部可解释性，即每个观测值都能得到自己的一组Shapley值。传统的变量重要性算法只显示整个群体的结果，而不是每个个体的情况。本地可解释性使本申请能够准确地指出并对比各因素的影响。Shapley值大大增加了机器学习的透明度，并且已经在许多研究和工业场景中得到实施。

在引入基于Shapley值的可解释人工智能框架后，本申请可以用不同特征集的累积正负Shapley值来量化不同特征对模型的积极影响和消极影响。

设数据量为M，特征集的特征数为{1,2,…,p}，特征总数为N，因此，该特征集的正Shapley值为：

如此可以通过Shapley值来可视化地量化模型构建过程中所发现的不同特征对于模型预测网络心理健康服务需求的积极影响或者消极影响，从而对于确定了可以产生积极影响或者消极影响的特征，来为更好的精神卫生资源的分配和决策，提供数据指导、提示、纠正，并且为模型更加清楚地解释了预测变量的重要性和影响。

具体的，对于上述内容，还可参考图3示出的本申请网络心理健康服务需求预测模型的构建方法的一种场景示意图进行理解。

而在引入基于Shapley值的可解释人工智能框架后，还可根据网络心理健康服务需求预测模型对不同特征计算得到的Shapley值，确定产生显著影响的多个特征值，该显著影响是在预设的范围内通过Shapley值的大小或者Shapley值的排名名次确定得到的，从而可以为更好的精神卫生资源的分配和决策，提供基于特征的、更为具体的数据指导、提示、纠正，并且为模型更加清楚地解释了预测变量的重要性和影响。

举例而言，本申请基于可解释机器学习框架的RF回归和Shapley值，来从四个预定义的特征集选择出对于模型有效特征，这些特征的细节可参考下面的表6。

表6-不同特征的细节表

为了研究特征集对网络心理求助数的影响，本申请计算了不同特征集的累积SHAP值，如下面的表7所示。结果显示，网络心理求助数的时间特征集的正负预测力最大。语言特征的预测力比话题整体的预测力大。传染病案例的预测力大于话题的预测力，但小于语言特征的预测力，但其正负预测力在滞后14天时比语言特征和话题特征集都要强。

表7-不同滞后天数的预测中的前20个特征。

为了量化不同特征在不同预测中的累积贡献，本申请计算了滞后1天、3天、7 天和14天的预测模型中前20个特征的累积Shapley值，如图4示出的本申请滞后1天 (A)、3天(B)、7天(C)、14天(D)的预测的20大特征的一种场景示意图。前20 个特征对任何滞后天数的预测都有90％以上的贡献。前7个特征对任何滞后天数的预测贡献了80％左右。表7显示了不同滞后天数下预测的前20个特征。在这些特征中，网络心理求助数量的时间特征(即趋势、加法项、年份、Yhat，详见上面的表6，下同)、传染病病例相关特征(即PEOPLE POSITIVECASES COUNT)被列入四个模型不同滞后日的前20个特征中。除一天外，语言特征(即Love)在所有四个滞后日的模型中都被列入前20位特征。不同滞后日的其他前20名特征包括语言特征中的一些特征，例如。人称代词(即I，SheHe，They)，数字，非正式语言 (即Swear)，时间取向(即TenseM，FutureM)，社会过程(即Friend，Humans)，情感过程(即NegEmo，Anx，Sad)，认知过程(即certain，Inhibition，Inclusive， Exclusive)，知觉过程(i。e,See,Hear,Bio),Biological processes(i.e,Body,Sexual, Ingest),Relative(i.e,Relative,Motion),Personal concerns(i.e,Work),Drives(i.e, Achieve),Personal concerns(i.e,Leisure),Personal concerns(i.e,Home,Love),Time orientations(i.e,tPast,tNow)。心理问题和心理健康主题的影响因素中的一些特征也是特定滞后日模型中的前20个特征，如抑郁和焦虑、痛苦、社交恐惧症、缺乏兴趣、、ln爱、工作、社会交往、个人特征和家庭。

为了了解特征的方式对预测性能的贡献，本申请总结了前20个特征对网络心理求助数的影响方式，如图5示出的本申请滞后1天(A)、3天(B)、7天(C)、14 天(D)的前20个特征的预测在网络心理求助数量(X轴)的调整的Shapley值的一种总结示意图。这些数字显示了前20个特征中的每一个对预测X轴的调整。每个图都是由预测数据集中的数千个单独的点组成的。由于数值越高越红，数值越低越蓝。这由每张图右边的特征值条描绘出来。此外，如果中心线一侧的小点越来越红或越来越蓝，这表明，增加的价值或下降的价值，前瞻性的。例如，较低的" 趋势"值(蓝点)与相对较低的网络心理求助数有关。

结果显示，每日网络心理求助数量的时间特征(即趋势和yhat)对所有滞后日的网络心理求助数量有正向预测。当语言特征(即Love)处于低水平时，正向预测网络心理求助数量，而当它处于高水平时，滞后3天、7天和14天，负向预测网络心理求助数量。加法项，网络心理求助数量的时间特征的年度趋势，传染病案例(即PEOPLE POSITIVE CASES COUNT)，数量，生物过程(即Body，Ingest)，时间取向(即tNow)，个人关注，认知过程(即certain)，知觉过程(Hear)，相对 (Motion)，时间取向(即。在语言特征中的社会过程(即人类)、情感过程(即 Anx，NegEmo)、知觉过程(即Bio)，以及在主题特征中的痛苦、抑郁和焦虑、社交恐惧症，当这些特征处于高水平时，对网络心理求助的数量有正向的预测，而当它们处于低水平时，对数量有负向预测。

或者说，上面确定的可产生显著影响的多个特征值，包括以下增加网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中高水平的趋势；

心理健康服务平台上求助行为的心理健康话题特征中高水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理语言学特征中高水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中高水平的趋势；

此外，上面确定的可产生显著影响的多个特征值，包括以下降低网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中低水平的趋势；

心理健康服务平台上求助行为的心理健康话题特征中低水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理语言学特征中低水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中低水平的趋势。

总的来说，对于上面方案内容，本申请建立了四种类型的特征集(即语言特征、话题特征、网络心理求助数量的时间特征和传染病案例的时间特征)，并使用机器学习方法(即LR、RR、LASSO、SVR和RF)来预测和解释传染病大流行期间的每日网络心理求助数量，发现了以下几个发现：

首先，在新馆肺炎大流行开始后，网络心理健康服务社区和C平台的日网络心理求助人数都有明显增加，而且网络心理健康服务社区的求助人数比网络心理健康服务平台的求助人数提前13天达到高峰。此外，C平台的每日网络心理求助人数与B平台的每日网络心理求助人数之间存在强烈的正相关关系，这表明网络公众的网络心理求助行为的动态变化并不是一个例外。

其次，对于不同特征集的预测性能，本申请发现，在RF或SVR回归下，包含网络心理求助数量、主题特征、语言特征和传染病案例的时间特征的特征集的模型取得了最佳性能。(1)尽管包含所有四种类型特征的特征集在整体上比任何单一的特征集表现得更好，但它不可能总是表现得最好。例如，在预测滞后14天的网络心理求助数量时，使用所有四种类型的特征获得了最佳性能。然而，当预测滞后3天或7天的网络心理求助数量时，只使用两类特征(即主题和时间特征)就能获得最佳性能。这一发现可以得到特征选择原则的支持，也就是说，由于特征的冗余和不相关，更多的特征不一定能带来更好的性能。(2)本申请发现，网络心理求助数量的时间特征在预测中比其他特征有优势。例如，滞后1天、3天和14天的模型显示，每日网络心理求助数的趋势可能是最重要的特征，其次是预测值和由先知产生的年度趋势。一个可能的解释是，时间特征包含更多的信息，如受环境和事件影响的周期性和趋势性变化。(3)与语言特征相比，话题特征更加重要，对不同滞后天数的模型的整体性能有递增的影响，这表明与心理健康相关的语言特征对网络心理求助行为预测更有针对性。这可以得到之前一项研究的支持，该研究发现语言模型在大约22句话的文档中表现更好，而话题模型在大约2句话的文档中表现更好寻求帮助的帖子通常很短，并且表达了他们的心理问题，这意味着主题模型表现更好是合理的。

第三，对于不同滞后天数的预测表现，模型对于滞后天数达到两周的网络心理求助的预测。与先进的经典预测方法"先知"相比，本模型在滞后3天和7天时具有优势，并具有先知所不具备的可解释性。本预测模型可能有助于在重大公共卫生紧急情况下对每日网络心理求助数量进行早期、快速和准确的预测和解释。同时，可以帮助政府和平台管理者合理安排心理咨询师的值班人数，并采取有针对性的干预措施和公共政策，预防潜在的网络公众心理危机。

特别是在本申请中建立的模型的解释方面，本申请发现了一些有意义的结果。

首先，在所有四个模型中，前20个特征包括趋势、加性项、年度、yhat，这表明这些特征可能是预测网络心理求助数量的最重要特征。

其次，Shapley值的结果为黑箱模型提供了可能的解释，这打破了机器学习方法难以解释和理解的刻板印象，更好地理解特征对预测模型性能的贡献方式是至关重要的。例如，当这些特征处于高水平时，累计确诊病例正向预测网络心理求助数量，而当它们处于低水平时，则负向预测网络心理求助数量，这表明网络心理求助数量的增加受到累计确诊病例的影响，而对新确诊病例不敏感。在预测滞后天数较长的网络心理求助数量时，这两个与传染病相关的特征的效应大小变得更大。考虑到个人精神健康状况的持续变化，传染病的零星新确诊病例可能不会对公众的网络心理求助行为产生很大的影响。然而，社会环境的重大变化对公众心理健康的影响是深远而持久的，本申请表明，这种现象也反映在网络心理求助行为的增长上。因此，政府和机构应继续支持网络心理健康服务，关注网络心理求助者的首要问题，如抑郁焦虑、痛苦、社交恐惧、兴趣缺失、担心害怕、愤怒等，然后培养与这些问题相关的网络心理援助力量，在传染病大流行的不同阶段对网络心理求助者采取针对性的干预措施。

第三，其他影响程度较小或中等的影响因素也值得关注。(1)结果表明，与身体和兴趣有关的生物过程的语言线索与公众网络心理求助行为的增加有关。这与以往的研究相一致，即慢性病会导致心理健康状况不佳，因此，在传染病流行期间，网络心理健康服务可能是医院处理与传统身体疾病相关的精神疾病的一种选择。(2)结果表明，与听觉有关的感知过程的语言线索的增加，以及与确定性有关的认知过程与公众的网络心理求助行为的增加有关。以前的工作指出，心理健康问题伴随着个人感知和认知的异常状态，这些异常的问题可能与公众网络心理求助行为的增加有关。(3)结果显示，与社会过程和社会恐惧症有关的话题的语言线索与公众的网络心理求助行为的增长有关。例如，以前对青少年的研究发现，与学校有较强联系的个体不太可能有抑郁症和焦虑症等心理健康问题，本申请发现，个人与社会环境之间的问题联系与公众的网络心理求助行为的增加有关。(4)结果显示，与焦虑和负向情绪有关的情感过程的语言线索，以及与痛苦、抑郁和焦虑有关的话题都与网络心理求助行为的增加有关。以前的工作发现，负面情绪会明显影响个人的心理健康，导致抑郁症的发生，本申请发现，这些情绪问题与公众的网络心理求助行为的增长有关。

以上是本申请提供网络心理健康服务需求预测模型的构建方法的介绍，为便于更好的实施本申请提供的网络心理健康服务需求预测模型的构建方法，本申请还从功能模块角度提供了一种网络心理健康服务需求预测模型的构建装置。

参阅图6，图6为本申请网络心理健康服务需求预测模型的构建装置的一种结构示意图，在本申请中，网络心理健康服务需求预测模型的构建装置600具体可包括如下结构：

获取单元601，用于获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；

提取单元602，用于从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；

训练单元603，用于通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型，网络心理健康服务需求预测模型用于对输入的目标传染病病例在病例数量上的时间特征、目标心理健康服务平台上求助行为的心理健康话题特征、目标心理健康服务平台上求助行为的心理语言学特征以及目标心理健康服务平台上求助行为在数量上的时间特征来预测对应时间段的网络心理健康服务需求。

在一种示例性的实现方式中，提取单元602在从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征的过程中，具体用于：

对咨询数据通过神经嵌入的方式转化为向量数据模式的数据，并通过预先利用精神疾病和心理问题的相关知识构建的领域词库，剔除掉与症状、影响因素都无关的词。

在又一种示例性的实现方式中，网络心理健康服务需求预测模型具体用于预测未来两周之内的网络心理健康服务需求。

在又一种示例性的实现方式中，网络心理健康服务需求预测模型采用基于Shapley值的可解释人工智能框架，通过Shapley值来量化不同特征对模型的积极影响和消极影响。

在又一种示例性的实现方式中，装置还包括确定单元604，用于：

根据网络心理健康服务需求预测模型对不同特征计算得到的Shapley值，确定产生显著影响的多个特征值，显著影响是在预设的范围内通过Shapley值的大小或者Shapley值的排名名次确定得到的。

在又一种示例性的实现方式中，确定产生显著影响的多个特征值包括以下增加网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中高水平的趋势；

心理健康服务平台上求助行为的心理语言学特征中高水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理健康主题特征中高水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中高水平的趋势；

确定产生显著影响的多个特征值包括以下降低网络心理健康服务需求的特征：

传染病病例在病例数量上时间特征中低水平的趋势；

心理健康服务平台上求助行为的心理语言学特征中低水平的生物过程、时间取向、个人关注、认知过程、知觉过程，相对、时间取向、知觉过程；

心理健康服务平台上求助行为的心理健康主题特征中低水平的痛苦、抑郁和焦虑、社交恐惧症；

心理健康服务平台上求助行为在数量上的时间特征中低水平的趋势。

在又一种示例性的实现方式中，装置还包括处理单元605，用于：

在通过网络心理健康服务需求预测模型预测了对应时间段的网络心理健康服务需求之后，根据对应时间段的网络心理健康服务需求，分配和决策精神卫生资源。

本申请还从硬件结构角度提供了一种处理设备，参阅图7，图7示出了本申请处理设备的一种结构示意图，具体的，本申请处理设备可包括处理器701、存储器 702以及输入输出设备703，处理器701用于执行存储器702中存储的计算机程序时实现如图1对应实施例中网络心理健康服务需求预测模型的构建方法的各步骤；或者，处理器701用于执行存储器702中存储的计算机程序时实现如图6对应实施例中各单元的功能，存储器702用于存储处理器701执行上述图1对应实施例中网络心理健康服务需求预测模型的构建方法所需的计算机程序。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。

处理设备可包括，但不仅限于处理器701、存储器702、输入输出设备703。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括网络接入设备、总线等，处理器701、存储器702、输入输出设备703等通过总线相连。

处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个设备的各个部分。

存储器702可用于存储计算机程序和/或模块，处理器701通过运行或执行存储在存储器702内的计算机程序和/或模块，以及调用存储在存储器702内的数据，实现计算机装置的各种功能。存储器702可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据处理设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡 (Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器701用于执行存储器702中存储的计算机程序时，具体可实现以下功能：

获取心理健康服务平台上求助行为的咨询数据以及传染病病例数据；

从咨询数据中提取出心理健康服务平台上求助行为的心理健康话题特征、心理健康服务平台上求助行为的心理语言学特征以及心理健康服务平台上求助行为在数量上的时间特征，以及从传染病病例数据中提取出传染病在病例数量上的时间特征，并将四者作为样本数据；

通过样本数据训练初始模型，并将完成训练的模型作为网络心理健康服务需求预测模型，网络心理健康服务需求预测模型用于对输入的目标传染病病例在病例数量上的时间特征、目标心理健康服务平台上求助行为的心理健康话题特征、目标心理健康服务平台上求助行为的心理语言学特征以及目标心理健康服务平台上求助行为在数量上的时间特征来预测对应时间段的网络心理健康服务需求。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的网络心理健康服务需求预测模型的构建装置、处理设备及其相应单元的具体工作过程，可以参考如图1对应实施例中网络心理健康服务需求预测模型的构建方法的说明，具体在此不再赘述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应实施例中网络心理健康服务需求预测模型的构建方法的步骤，具体操作可参考如图1对应实施例中网络心理健康服务需求预测模型的构建方法的说明，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器(Read Only Memory， ROM)、随机存取记忆体(Random Access Memory，RAM)、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应实施例中网络心理健康服务需求预测模型的构建方法的步骤，因此，可以实现本申请如图1对应实施例中网络心理健康服务需求预测模型的构建方法所能实现的有益效果，详见前面的说明，在此不再赘述。

以上对本申请提供的网络心理健康服务需求预测模型的构建方法、装置、处理设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。