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%。     

基于自注意深度学习的商品评论情感分类

电子商务突飞猛进,网购成为人们消费必不可少的渠道.网络商品评论的情感极性是获取顾客对该种类商品反馈的最直接方式,商家可以通过分析评论获取顾客对所购商品的感受,为后续销售计划变更和产品改进及时作出决策.针对CNN只能提取局部特征、RNN易导致梯度消失与爆炸的问题,提出一个结合RNN变体-GRU与MSCNN的XL-GSAt...     

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。     

中文产品评论细粒度情感分析综述

消费者在购物网站上发表的购后评论既包含对产品的总体评价,也包含对产品某些特征的评价,如何从评论文本中挖掘出细粒度情感信息是消费者和企业亟待解决的问题。从中文产品评论的特征识别、观点识别和情感词典构建等方面介绍了相关技术及研究进展,并指出了各自的优势与不足,最后展望了中文产品评论细粒度情感分析未来的研究方向。     

基于Attention-CLSTM模型的商品评论分类

文本分类是自然语言处理中的一项重要基础任务,指对文本集按照一定的分类体系或标准进行自动分类标记。目前网络文化监督力度不够、不当言论不受限制,导致垃圾评论影响用户体验。因此提出一种基于注意力机制的CLSTM混合神经网络模型,该模型可以快速有效地区分正常评论与垃圾评论。将传统机器学习SVM模型和深度学习LSTM模型进行对比实验,结果发现,混合模型可在时间复杂度上选择最短时间,同时引入相当少的噪声,最大化地提取上下文信息,大幅提高评论短文本分类效率。对比单模型分类结果,基于注意力机制的CLSTM混合神经网络模型在准确率和召回率上均有提高。     

基于BERT+BiLSTM+Attention的对抗训练新闻文本分类模型

新闻文本分类是长文本分类的典型问题,因此提取词与词之间的关系特征就尤为重要.提出了基于双向Transformer编码表示的预训练模型(Bidirectional Encoder Representations from Transformers, BERT)和双向长短时记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)以及注意力机制的对抗训练分类模型(BBA-AT).将预处理新闻文本数据经过BERT进行训练得到词嵌入编码,在训练后的词向量级别上进行扰动达到数据增广的效果,以此来进行对抗训练,之后通过双向长短时记忆网络对数据集进行编码提取双向语义表征.本文提出的BBA-AT模型F₁值在TNEWS数据集上比BERT模型提升了1.34%.     

基于BERT-FLAT-CRF模型的中文时间表达式识别

时间信息识别是自然语言处理中非常重要的任务.传统中文时间表达式识别中常用的机器学习方法需构造大量特征模板,词向量为单一向量,不具有多义性,且难以获取长距离依赖.针对这些问题提出BERT-FLAT-CRF深度学习网络架构,利用Bert提升词向量表达,FLAT融合时间词汇特征,最后通过CRF提取最优序列标注.在TempEv...     

传统情感分类方法与基于深度学习的情感分类方法对比分析

情感分类是自然语言处理的一个重要分支,情感分类方法包括传统的基于情感词典的方法和基于机器学习的方法,以及最新的基于深度学习的方法。为了探索情感分类的实现方法和研究进展,对传统的情感分类方法和基于深度学习的情感分类方法进行对比,并对深度学习LSTM原理进行了简要描述,可以发现基于深度学习的情感分类方法在情感分类上具有更大优势。     

基于VSM的中文网页自动分类模型

通过对文本分类的相关技术进行深入研究，提出了一种基于VSM的中文网页自动分类模型的构造方法。     

中文微博情感分析方法研究

微博情感分析是当今情感分析的一大研究热点,中文微博情感分析按照处理层面的不同可以分为主题无关和主题相关分析,分析方法主要分为两类,一是基于情感词典的方法,另一类是基于机器学习的方法.本文对目前中文微博情感分析的主要流程和处理方法进行了探讨,对两类方法的特点及其研究现状进行了分析、比较,对不能完全准确进行情感分类的主要原因进行了归纳总结,为情感分析方法的进一步研究提供了参考方向.     

基于情感分类与主题挖掘的MOOC课程评论研究

在线精品课程作为MOOC中的高质量教育资源,有效促进了教育公平和均衡发展。但在保持快速增长的态势时,仍存在质量参差不齐的困境。为促进教师深度反思,支持教学问题的诊断与改进,提升课程质量,构建在线精品课程评论情感分类与主题挖掘研究模型。首先,采用网络爬虫技术采集MOOC平台中25门“教育技术学”专业在线精品课程评论数据,并进行数据预处理和情感分类;其次,对负性课程评论进行词云分析、社会网络分析和主题挖掘。结果表明：教师教学能力、学习资源质量、课程内容设计、互动和反馈机制、课程考核评价是导致学生差评、影响课程学习体验和学习质量的主要因素。据此,提出促进在线教育中教师教学能力专业化提升、开发优质在线精品课程学习资源、打造实用生动的在线精品课程内容、优化互动和反馈机制、优化在线精品课程考核评价等课程优化建议。     

基于深度学习的电商用户评论情感极性分析

为对电商平台中的用户评论进行情感极性分析,先对这些电商评论文本进行预处理,再利用经过训练优化了参数的BERT-CNN模型进行分析。结果表明,BERT-CNN模型虽然用时较长,但准确率、召回率和F都优于其他模型,而且BERT-CNN模型训练过程稳定,收敛后损失较小,因此,在情感分析中BERT-CNN模型效果最好。     

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。     

融合深度学习与机器学习的在线评论情感分析

情感分析可以帮助商家了解客户喜好从而生产出满意度更高的商品,也可以监督网上舆论等。为此,基于传统机器学习方法,加入深度学习模块,对在线评论进行情感分析与对比。在词向量训练模块中引入Word2vec模型,用高维向量表示词语、句子,既可防止过度拟合问题,又可减少训练参数个数,提高训练效率。将得到的句向量作为输入代入机器学习模型（MLP、SVM、朴素贝叶斯等）与深度学习模型（CNN、LSTM、BILSTM等）,比较实验结果,提出优化方向。结果表明,基于深度学习的情感分析模型准确率明显高于单一机器学习模型,但是深度学习需要大量语料,对实验机器要求也较高,很难完全展现其魅力。     

基于多模态深度学习的音乐情感鉴赏分类方法

为提升音乐情感鉴赏分类精度,提出基于多模态深度学习的音乐情感鉴赏分类方法。在分析音乐情感特征参数类别的基础上,采用相位残差算法提取音乐中的梅尔频率倒谱系数、基音频率、共振峰和频带能量分布4种音乐情感多模态特征后,输入注意力网络模块,由此获取多模态特征中的隐藏信息;由多模态融合模块融合多模态特征,形成全局综合特征;利用分类器对融合后的特征进行拼接并输出分类结果。测试结果显示：该方法梅尔频率倒谱系数特征能量的分布范围在0 Hz～8225 Hz之间;基音频率特征结果变化范围在80.45 Hz～505.9 Hz之间,每种类别分类的正确概率均在0.988以上。证明所提方法能够有效完成音乐情感多模态特征提取。     

采用BERT-BiLSTM-CRF模型的中文位置语义解析

针对利用当前神经网络模型进行中文位置语义解析存在多义词解析效果差、泛化能力差等问题,提出一种基于BERT-BiLSTM-CRF模型的中文位置语义解析方法.首先利用BERT预训练模型对中文位置信息进行预训练,获取所有层中的上下文信息,增强中文位置信息的语义表征能力,然后通过BiLSTM模型提取向量特征信息,最后通过CRF...     

基于BERT的中文电子简历命名实体识别

针对传统基于规则的简历实体提取方法效率低、迁移能力差的问题,提出了一种基于Transformer双向编码器表示(bi-directional encoder representations from Transformers,BERT)的深度学习模型,用于识别相关命名实体.模型通过BERT对简历信息进行字符级别编码,得...     

在线教育弹幕情感信息智能识别模型研究——融合变式情感词典与深度学习技术

在线教育师生情感缺失问题是当前教育研究亟待解决的难题之一。在线教育弹幕文本作为学习者对在线课程内容及自身学习状态的实时反馈,隐含了大量情感信息,对于上述问题的解决具有重要意义。然而,目前鲜有针对在线教育弹幕文本开展情感分析的研究。基于此,设计了一种融合变式情感词典与深度学习技术的在线教育弹幕情感智能识别模型。具体而言：通过构建弹幕种子情感词集,计算弹幕文本与情感种子短语间的相似度,实现极短弹幕文本情感识别;借助BERT动态表征弹幕文本,双向长短时记忆网络挖掘弹幕文本中的深层特征,实现常规弹幕文本情感识别;融合两类弹幕文本情感识别信息并更新后,完成在线教育弹幕文本情感信息的智能识别。研究通过模型对比实验检验模型性能有效性,并借助具体案例验证模型应用可行性。     

论职校中文教学过程中的情感渗透及融合

随着现代社会竞争日益激烈以及科学技术的不断发展,我国越来越多的人们为了提高自身的思想文化素质、职业技能以及知识结构,开始不断地接受职业教育。本文攫取了职业教育的一个掠影——中等职业学校教育着重论述,文章首先对情感的涵义以及当前职校中文教学过程中存在的问题进行分析和介绍,然后提出解决这些问题必须要加强中文教学过程中的情感渗透及融合,并提出具体的对策。     

真正的中文

态度决定胜负。学中文心态如何，阅读的目的为何，直接决定了你的国文程度。学习中文，学的并不只是中文！一篇文章，你能看多深？几行文字，藏着作者的内涵；几段篇章，藏着作者的情感，是作者的呼喊。你能接受多深邃的内涵？能体会多真挚的情感？