主页

前言 心理学资料推荐 世界卫生组织WHO官网 精神障碍 心理疾病的类型，定义及症状，如抑郁，双向情感障碍，暴食症等 世界各国是如何应对心理健康问题的 各种有用的指南： 媒体应该如何安全的报道自杀事件，避免风险传染 个体如何应对压力、负面情绪 National Institute of Mental Health (NIMH) National Institute of Mental Health (NIMH) - Transforming the understanding and treatment of mental illnesses ​ 与WHO类似， 但这里有更多关于心理疾病的最新科研进展、患病率等统...

前言 近几年期刊要求水涨船高，遥想2020年左右深度学习、机器学习刚在计算机领域大杀特杀，当时随便拿个一般的特征工程加个基本的机器学习模型就能投IPM；计量模型要求不需要十分严谨就能发DSS，IR；现在再按照之前的做法，投IR,IPM，直接就是Desk Reject，问就是方法没有创新，计量不严谨，理论薄弱。 也不全是坏处，起码现在对混合方法（Mixed Method,或者Design Science）的包容度越来越高，对信息系统IS领域来说其实是好事，因为咱这个领域不就是各种方法交叉混合嘛，从问卷、算法、到计量真就应有尽有。个人感受最大的一个好处是，信息系统能跟上AI、大数据这波潮流，肉眼可见的是大家用的数据越来越大，现在动则几十万的数据，那确实能观察到更多的现象，这样子做出来的...

前言 不同学科偏好差异巨大，本文专门针对IS领域的文章进行介绍。 一般来说，大部分论文会包含这几个部分 introduction, method,result及discussion 我们主要关注管理+计算机+心理学领域的论文，所以这里以这三个领域作简单的分析。 计算机写作篇幅精炼，注重方法的阐述（这是最核心的贡献），这其实和研究问题比较相关，因为他们大多问题都是很具体的（如情感分类，商品推荐等），所以不需要耗费大量的篇幅去阐述关于研究问题的motivation或者说背景意义。 心理学篇幅和计算机相差不大，但更注重实验结果或者发现（其实也是蛮合理的，大多时候他们会做很多实验，比如招患者来做实验，所以发现的新结论或者现象是重点），对所用方法的介绍会很简短。 管理领域，非常非常注...

最近一个周连续参加了CSWIM, SWAIB会议，说了太多话，e人浓度瞬间从100%降到了0%，感觉这三天都不想再说话了 好消息是做的主题(心理健康➕社交媒体)看到了蛮多类似的研究，也收获了大佬的鼓舞，坏消息是一篇文章想实现的目标过多，且策略有点过于激进(好坏参半)，好的是确实很有趣，坏的是容易引起争议，最初蛮让自己内耗的，过后冷静下来又觉得，引起争议更证明了研究的意义。 时间线回到三四个月前，当时做的论文感觉工作量上处于尴尬的level，向上是一篇毕业的top，向下是1/3的普通论文，这对于博二初的自己来说确实是一个艰难的抉择，内耗了接近一个月。然后遇到了同样内耗的师姐(申请青基中)，神奇的她因为骨折的原因emo了很久，然后想做心理健康(能带来职业成就感)方向，然后她根据我之前的...

词嵌入的经典方法-独热编码（one hot），词袋模型（bag of words），词文档-逆文档频率（TF-IDF） 1 one-hot(独热编码) intuition(核心思想) ​ 文档中每个单词的出现都是独立的,每个词都有独一无二的含义，与其它词无关。对单词编码后的向量中只有数字 0 和 1，且其中只有一个维度是 1 案例： ​ 给出一句话，I ate an apple and played the piano。输出词典表示 劣势 ​ 稀疏矩阵；高维；无法学习语义，向量间的距离无法反映语义差异， 应用： ​ 输出类别标注 2.bag of words intuition(核心思想)：文...

1. 什么是词嵌入(word embedding) 将词/字符转化为有意义可计算的数值。比如有两组词{蜜蜂，鹅，鹰}，{直升机，无人机，火箭}，用具有意义的数值（具有词义）来表示他们。 怎样才算有词义呢？合乎现实的假设：飞得高的东西对应的数值大。比如在天空（sky）这个维度上，{蜜蜂，鹅，鹰}数值从小到大依次是 鹅=2→蜜蜂=3→鹰=4;{直升机，无人机，火箭}数值从小到大依次是 无人机=2→直升机=3→火箭=4 2. 问题导向：为什么需要词嵌入？-以情感分析任务为例 事实上NLP的大多任务（如事件抽取、自动问答、语义角色标注）都需要词嵌入，在这里以一个情感分析任务为例 句子：我的脚打羽毛球骨折了，国庆期间只能孤独的呆宿舍，我EMO了。 目标：对该句子进行情感分类，正向...

知识需要：词嵌入 看完篇文章能获得什么： ​ 对词嵌入的深入理解，共现矩阵、Word2vec(skip-gram or CBOW) ​ 训练下游NLP任务时，选择合适的词向量维度 ​ maybe 词嵌入方法创新的一丢丢启发 这是原文链接： https://aegis4048.github.io/understanding_multi-dimensionality_in_vector_space_modeling 词向量维度是多少比较合适呢？ 1. 为什么要多维向量空间？ 向量空间建模≈词嵌入 Such technique, representing words in a numerical vector space, is called Vector Spa...

词嵌入的目标 获取词在向量空间中的表示，用向量去表示词义→ 获取一个关于词典的矩阵 0. 写在前面 基础知识需要：词嵌入的简单理解（可以我看之前的文章或者视频），统计学的一点点基础概念，神经网络的一丢丢了解 内容预览： skip-gram 的核心思想 skip-gram从直觉上的通俗解释 skip-gram 损失函数的数学推导 1. 从直觉(intuition)上通俗理解skip-gram ​ 最合乎直觉（intuition）的假设-分布假设：相似的词往往出现在同一语境中（例如，在眼睛或检查等词附近）。 ​ ==语义相似的词往往会相邻出现，不相似的词不会相邻出现== ​ 案例： ​ ==颜色标记...