文本细粒度情感分析综述

对情感分析的研究进展进行了介绍和总结,从粗粒度情感分析到细粒度情感分析的发展过程,重点阐述了细粒度情感分析的目标、方法、技术等.归纳出了细粒度情感分析任务中的两个核心问题:属性抽取和属性情感分类.属性抽取可分为"属性分类识别"和"属性词抽取",属性识别的任务是对评论句中属性词进行分类.属性词抽取是对评论句中属性词进行抽...     

在线评论情感分析研究综述

从在线评论情感极性以及情感强度两方面考虑,与此同时,对在线评论情感极性从粒度即细粒度和粗粒度两方面进行情感分类。对在线评论情感进行分析,有利于消费者的购买决策,也有利于商家制定营销战略。讨论了情感分析的现有不足以及面临的挑战。     

文本情感分析在虚假评论识别中的应用研究

随着各个在线平台用户生成内容的普及,在线评论对品牌方、消费者、平台的影响越来越大,针对在线评论文本情感分析的技术成为研究热点。与此同时,为提升自身信誉或诋毁竞争对手的虚假评论泛滥,对消费者的购买决策及产品的网络口碑带来不利影响。使用文献研究、案例分析等方法,以虚假评论识别方法研究为基础,探讨其文本情感特点,总结出当前多是通过情感极性的角度来识别虚假评论,并对未来有针对性地构建更合理完善的情感词典及对新媒体平台的虚假评论识别进行展望。     

基于二维情感空间的语音情感识别

为提高语音情感的正确识别率,在利用反映"激发维"维度信息的韵律特征基础上,提出了采用反映"评价维"维度信息的音质特征作为新的情感特征使用。再将韵律特征参数和音质特征参数结合并用于语音情感识别,并采用支持向量机分类器实现对汉语生气、高兴、悲伤、厌烦和中性五类情感的识别。试验结果表明,基于"激发维"和"评价维"二维情感空间取得的情感总体平均正确识别率为84%,比基于"激发维"一维情感空间取得的识别率高出了12%。可见同时考虑从"激发维"和"评价维"二维情感空间进行语音情感识别,识别结果得到了较大改善。     

一种面向中文产品评论数据的情感分类模型

对具有字数少、噪声多、特征稀疏等特点的中文产品评论数据建立了一种基于机器学习的情感分类模型,旨在提高情感倾向性判别的综合评价指标F值。结合知网(HowNet)情感词典提出了一种通过增加情感词比重的C-TF-IDF权重计算方法,弥补了词频-逆向文档频率IF-IDF仅依靠词频来衡量特征项权重的缺点。先对一步三分法和二步二分法的情感分类策略进行了实验对比分析;然后选取了一步三分法对不同特征提取数量下的情感分类效果进行了研究。实验结果表明,C-TF-IDF比TF-IDF更适合于中文产品评论数据的情感分类任务,F值可最低提高1.584%,最大提高2.267%。     

基于中文极端积极评论的虚假评论检测方法

以检测电子商务中用户评论的虚假评论为目标,主要面向用户极端积极评论,从中文极端积极评论的筛选、中文评论文本情感量化、综合多种特征修正得分后的离群值分析等方面来探讨虚假评论的检测,设计可行的面向中文极端积极评论的虚假评论模型(EPFRD)。实验表明,基于EPFRD模型可对中文虚假评论进行有效检测,从而对用户评论的真实性给出较可观的评价。     

基于语音情感识别的e-Learning教学探索

为了解决目前e-Learning教学系统中的情感交流匮乏问题,提出一种新的基于语音情感识别技术的e-Learning系统模型。语音作为人类最重要的交流媒介之一,不仅携带着大量的文字符号信息,还包含了人类丰富的情感信息。利用语音情感识别技术获取和识别学习者的学习情感状态,从而实现e-Learning教学系统的智能化和人性化。本文对该系统的关键技术作了详细阐述。     

基于多特征组合的在线产品评论情感挖掘研究

近年来,如何利用计算机自动、快速、准确地识别大量文本产品评论数据情感倾向是自然语言处理领域关注的重点话题。使用数据抓取软件,抓取亚马逊官网华为honor畅玩版4X手机在线评论进行实验,实验中按照一定的语法规则将每条完整的在线产品评论分成若干子句,识别其中有效子句,提取有效子句评论中多种特征进行组合,然后选用C4.5决策树机器学习法来识别子句的情感倾向,并对多组实验结果进行分析对比。实验结果表明,选择子句中情感词数量和否定词数量作为特征组合时,加权后模型的查准率和查全率均达到96%;程度副词和特殊符号对模型的作用比较微弱,仅有1%的影响;程度副词的作用略优于特殊符号。     

语音情感识别综述

随着情感计算成为人工智能的一个重要发展方向,语音情感识别作为情感计算的一个重要组成部分,受到了广泛关注。从情感描述模型、语音情感特征、语音情感库、语音情感挑战赛这4个方面对语音情感研究现状进行总结,并给出目前语音情感识别技术存在的挑战,以及相应的研究方法。     

基于图像分析的教育视觉情感识别

情感识别是情感计算的基础,为了促进视觉情感识别技术与教育的深度融合,文章定义了教育视觉情感识别的概念,随后从技术视角分析了面部表情识别和肢体动作识别的三方面内容,即特征提取方法、分类器算法和常用数据库。此外,文章构建了双模态教育视觉情感识别模型,以解决单一模态的情感特征不能充分表达学习者学习情感信息的问题。期望这种更全面的模型,能为未来教育领域学习者情感识别研究提供参考。     

智慧学习环境中基于面部表情的情感分析

情感与认知加工之间存在着密不可分的联系,学习过程中的情感状态对学习效果有一定的影响。在智慧学习环境中实现学习者情感分析,有利于促进智慧学习的发生。表情作为人类情感表达的主要方式,其中蕴含了大量有关内心情感变化的信息,通过面部表情人们可以推断内心微妙的情感状态。目前,人脸检测技术已经实现了从复杂背景中定位人脸,分类算法也相对成熟,因此表情识别的研究工作主要集中在表情特征提取上,而现有研究基本上都是基于人脸与表情的混合特征进行的识别,这产生了较大的干扰。在表情识别时,理想情况是将个体相关的人脸特征和与个体无关的表情特征相分离。依据心理学家Ekman提出的FACS(面部表情编码系统)构建的智慧学习环境下基于面部表情识别的情感分析框架,通过特征分解将个体特征及表情特征分解到不同的子空间,在表情子空间中进行表情识别,从而排除个体特征对表情识别的干扰。经JAFFE表情库的验证,表情识别结果比较理想,已在三维虚拟学习平台Magic Learning的师生情感交互子系统上实现了基于面部表情的学习者情感识别及情感干预。     

改进BERT的中文评论情感分类模型

为了改善现有基于深度学习网络的中文评论情感分类方法,同时提高中文评论情感分类的正确率和效率,基于Tensorflow框架,对传统BERT模型进行改进,以Nlpcc2013和Nlpcc2014公开的微博评论数据集为实验数据,分别从两个数据集中清洗抽取出3949条和14163条情感极性明显的评论,将数据输入改进后的RoBE...     

微博细粒度主副情感分析

根据依存句法,分析出句子中词语间的依存关系,找出词语级情感影响因子-副词、否定词,并建立情感元素模型,计算情感元素模型分值。对微博中每句话的情感进行分类,根据粒度分别求和,将最大值所对应的细粒度作为句子的情感的策略,对整条微博则采用句子得分最大的前两句所对应的细粒度作为微博的主副情感策略。在第三届自然语言处理与中文计算会议(NLP&CC2014) 的微博情绪判别及分类的评测任务中,应用该方法取得了较好效果。     

E-learning评论文本的情感分类研究

自本世纪初起,E—learning作为一种灵活、丰富、高效的学习方式,被越来越多的学习者接受,而伴随着学习技术的逐步成熟,学习者对E—learning应用的要求也从最初的知识推送提升到能够在讲授者与学习者之间搭建有效的沟通桥梁,将零反馈的封闭式学习变成多反馈的协作学习。E—learning的评论信息隐含了学习者在学习中遇到的问题和建议,从中可挖掘学习者对学习资源及授课者的意见。这对改善教学模式、完善教学支持服务意义重要。现有E—learning系统所提供的海量评论信息中正面评论与负面评论夹杂,给挖掘学习者的真实意见和需求带来困难。本文对文本情感分类过程进行归纳,构建了一种情感分类应用模型,在完成预处理、创建词典、提取情感特征后实现了一个情感分类引擎,并将该引擎与实际系统整合。改进后的系统能够将学习者的评论文本自动分为正面评论、负面评论和中性评论,实际性能及用户体验评价结果表明,新的基于情感单元的情感分类方法能满足E—learning评论文本的情感分类需求。     

BNU学习情感数据库的设计与实现

表情图像是基于表情识别技术分析学习情感的基础,然而现有表情库样本数量有限、表情图像中仅包含单人表情、拍摄场景为实验室环境,这些局限性无法支持学习情感分析的深入研究。为了解决这些问题,文章搭建了北京师范大学学习情感数据库(Beijing Normal University Learning Affect Database,BNU LAD),同时对情感数据的标注方法进行了深入研究,最终形成了包含144位学习者的22708张表情图像、1792组图像序列及243段视频片段的学习情感数据库。该数据库对学习环境下的学习情感分析具有重要意义。     

基于支持向量机的语音情感识别

针对语音情感识别特征识别问题，本利用支持向量机进行了研究．分析表明语音信号的情感特征参数在输入空间中不完全是一个线性分类的问题，使用非线性的核函数对输入空间进行映射可以有效地提高识别效率．与已有的多模式语音情感识别方式相比，利用高斯(径向基)核函数的支持向量机的识别效果优于其他已有的方法．     

基于PLSA模型的在线评论量化研究

随着大数据时代的到来,网络购物的快速发展,越来越多的网民可以跨地域界线进行方便、快捷的购物交流.因此,由互联网用户创造的海量数据使得在线评论成为一种重要的网络口碑.本文以十几年来亚马逊在线市场几种产品的评价为例,首先依据评论的帮助等级确定评论使用价值.排除使用价值过低的评论后,再对剩余数据使用PLSA模型进行潜在语义分析,得出每篇在线评论的情感因素.将情感因素量化后,作为每条评论的情感评分,并以此将评论分为积极评论和消极评论.最后建立"时间-星级-评论"模型,研究星级对客户评论的影响.该模型从评论的来源着手,研究影响评论的因素,提早对产品的评论情感趋势进行预测,使公司能在销售前期便对产品的销售策略进行优化调整.     

情感建模及情感识别技术研究

人类情感在人们的社会交往中发挥着重要作用,情感计算成为人机交互、人工智能的最重要研究领域之一,而情感建模和识别是情感计算研究的重要内容.文章对情感计算、情感建模以及情感识别技术研究进行了初步探讨,对于促进情感计算的研究具有重要意义.     

语音情感识别分类算法研究综述

语音情感识别本质上是对语音情感的特征参数进行分类和模式识别,其核心问题在于寻找一个更为合适的语音情感识别算法.综述了语音情感识别算法的分类概况、常用的分类算法、研究中的困难与需要进一步研究的问题.最后展望了可能提高精度的先进识别模型.     

基于机器学习与情感词典的文本主题概括及情感分析

作为社交网络重要载体,微博成为信息传播的重要平台,承载着公众情感表达及舆论传播的重要功能。对微博博文及评论作出主题概括及情感分析在网络管控、舆情监测及公众情绪引导方面具有重要的实践意义。提出一种基于机器学习与文本分析的主题概括及情感分析模型。以武汉理工大学研究生坠亡事件为话题,利用Word2vec将文本转化为词向量,并且通过机器学习聚类方法对舆情各个生命周期过程进行主题概括,采用基于词典文本分析方法,对评论文本进行多元情感分析,对表现突出的情感大类作细粒度分析,最终实现基于主题与情感分析的多元细粒度公众情感变化分析模型。该分析模型可在特定舆情事件下得出公众在各阶段的关注中心及情绪变化规律,实现舆情主题与情感变化的协同演化研究。