1.一种抑郁风险检测模型训练方法，其特征在于，所述抑郁风险检测模型训练方法包括：获取训练数据集，所述训练数据集包括从社交平台收集的抑郁症用户发文信息和非抑郁症用户发文信息；

对所述训练数据集进行语义分析，提取携带情感状态的短语信息，并采用抑郁症高频词库，对所述携带情感状态的短语信息进行关键信息提取，得到抑郁症相关词汇特征；

将训练数据集的原始文本和所述抑郁症相关词汇特征进行向量表示，得到原始文本嵌入矩阵和情感感知特征嵌入矩阵；

采用共同注意力机制，对所述原始文本嵌入矩阵和所述情感感知特征嵌入矩阵进行交互融合处理，得到融合特征矩阵；

将所述融合特征矩阵输入到初始抑郁风险检测模型进行识别训练，得到识别结果，并根据所述识别结果，对模型参数进行迭代优化，得到训练好的抑郁风险检测模型，其中，所述初始抑郁风险检测模型为双向深度网络；

其中，所述采用共同注意力机制，对所述始文本嵌入矩阵和所述情感感知特征嵌入矩阵进行交互融合处理，得到融合特征矩阵包括：对于所述原始文本嵌入矩阵 和所述情感感知特征嵌入矩阵 使用所述原始文本嵌入矩阵中的每个单词嵌入Wij作为query,并使用所述情感感知特征嵌入矩阵作为value，基于如下公式进行交互融合处理，得到融合特征矩阵其中，Wij为所述原始文本嵌入矩阵中的第j个单词嵌入。

2.如权利要求1所述的抑郁风险检测模型训练方法，其特征在于，所述将所述融合特征矩阵输入到初始抑郁风险检测模型进行识别训练，得到识别结果包括：将所述融合特征矩阵输入到初始抑郁风险检测模型的分类器中，经过卷积操作后得到一元、二元、三元向量对应的三个特征图，其中，所述分类器基于Text‑CNN构建；

通过激活函数对每个所述特征图进行运算后输入池化层进行池化处理；

将池化层输出的的三个池化结果进行拼接，得到基于情感交互的抑郁症文档向量表示；

将所述基于情感交互的抑郁症文档向量输入softmax函数，得到不同类别的概率，基于所述不同类别的概率确定识别结果。

3.如权利要求2所述的抑郁风险检测模型训练方法，其特征在于，将池化层输出的的三个池化结果进行拼接，得到基于情感交互的抑郁症文档向量表示包括：采用如下公式确定基于情感交互的抑郁症文档向量表示：

其中，vi为所述基于情感交互的抑郁症文档最终表示， 为三个池化结果。

4.如权利要求1至3任一项所述的抑郁风险检测模型训练方法，其特征在于，所述根据所述识别结果，对模型参数进行迭代优化，得到训练好的抑郁风险检测模型包括：将正态分布初始化学习率、bachsize、卷积通道数量、权重衰减超参数、词向量维度作为待优选参数；

将所述识别结果与真实类别相比，计算模型损失值并进行待优选参数更新，得到更新后的抑郁风险检测模型；

采用半监督学习的方式欠采样处理和迭代训练，并采用droupout正则化方法进行拟合，在达到预设训练条件时，得到所述训练好的抑郁风险检测模型。

5.一种抑郁症状预警方法，其特征在于，所述抑郁症状预警方法包括：从社交平台爬取用户发文信息；

对所述发文信息进行数据预处理，并将预处理后的数据输入到训练好的抑郁风险检测模型，得到抑郁症状检测结果，其中，所述训练好的抑郁风险检测模型根据权利要求1至4任一项所述的抑郁风险检测模型训练方法得到；

若所述抑郁症状检测结果为符合抑郁症临床评价标准，则对所述用户发文信息执行预设的预警措施。

6.一种抑郁风险检测模型训练装置，其特征在于，所述抑郁风险检测模型训练装置包括：训练集获取模块，用于获取训练数据集，所述训练数据集包括从社交平台收集的抑郁症用户发文信息和非抑郁症用户发文信息；

特征提取模块，用于对所述训练数据集进行语义分析，提取携带情感状态的短语信息，并采用抑郁症高频词库，对所述携带情感状态的短语信息进行关键信息提取，得到抑郁症相关词汇特征；

向量转化模块，用于将训练数据集的原始文本和所述抑郁症相关词汇特征进行向量表示，得到原始文本嵌入矩阵和情感感知特征嵌入矩阵；

矩阵融合模块，用于采用共同注意力机制，对所述始文本嵌入矩阵和所述情感感知特征嵌入矩阵进行交互融合处理，得到融合特征矩阵；

模型训练模块，用于将所述融合特征矩阵输入到初始抑郁风险检测模型进行识别训练，得到识别结果，并根据所述识别结果，对模型参数进行迭代优化，得到训练好的抑郁风险检测模型，其中，所述初始抑郁风险检测模型为双向深度网络；

其中，所述矩阵融合模块包括：

对于所述原始文本嵌入矩阵 和所述情感感知特征嵌入矩阵 使用所述原始文本嵌入矩阵中的每个单词嵌入Wij作为query,并使用所述情感感知特征嵌入矩阵作为value，基于如下公式进行交互融合处理，得到融合特征矩阵其中，Wij为所述原始文本嵌入矩阵中的第j个单词嵌入。

7.如权利要求6所述的抑郁风险检测模型训练装置，其特征在于，所述模型训练模块包括：卷积处理单元，用于将所述融合特征矩阵输入到初始抑郁风险检测模型的分类器中，经过卷积操作后得到一元、二元、三元向量对应的三个特征图，其中，所述分类器基于Text‑CNN构建；

池化单元，用于通过激活函数对每个所述特征图进行运算后输入池化层进行池化处理；

拼接单元，用于将池化层输出的的三个池化结果进行拼接，得到基于情感交互的抑郁症文档向量表示；

分类单元，用于将所述基于情感交互的抑郁症文档向量输入softmax函数，得到不同类别的概率，基于所述不同类别的概率确定识别结果。

8.一种抑郁症状预警装置，其特征在于，包括：

数据采集模块，用于从社交平台爬取用户发文信息；

症状预测模块，用于对所述发文信息进行数据预处理，并将预处理后的数据输入到训练好的抑郁风险检测模型，得到抑郁症状检测结果，其中，所述训练好的抑郁风险检测模型根据权利要求1至4任一项所述的抑郁风险检测模型训练方法得到；

预警模块，用于若所述抑郁症状检测结果为符合抑郁症临床评价标准，则对所述用户发文信息执行预设的预警措施。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至

4任一项所述的抑郁风险检测模型训练方法，或者，所述处理器执行所述计算机程序时实现如权利要求5所述的抑郁症状预警方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的抑郁风险检测模型训练方法，或者，所述计算机程序被处理器执行时实现实现如权利要求5所述的抑郁症状预警方法。