基于语音情感分析的E-Learning研究

针对E-Learning教学系统中存在情感缺失的问题,基于Mel频率倒谱系数和隐马尔可夫模型技术,提出了一种基于语音情感计算的E-Learning教学系统模型,并进行了实验分析。该模型通过采集学习者的语音并进行语音分析,判断和理解其情绪状态,然后根据学习者特定的情绪状态给出相应的情感鼓励或情感补偿,以弥补教学中的情感缺失,实现E-Learning教育中的人性化和个性化,促进语音情感分析在教育中的应用。     

基于旋进原则和支持向量机的文本情感分析研究

针对主观文本识别、情感分词以及情感分类模型选择等研究方法上存在的效率较低、文本表达维度高等问题,文章提出了一种基于旋进原则和AdaBoost集成技术的回归SVM情感分类模型(AdaBoost+ SVM-L),不仅提高了主观文本标注准确率,更通过AdaBoost+ SVM-L模型对情感样本的极性和强度进行了判断,实现了文本情感强度阈值的可视化.并通过分组对照实验比较了SVM、NB以及AdaBoost+ SVM-L模型的性能指标.     

基于共词分析的国内文本情感分析研究

[目的/意义]对国内文本情感分析的研究成果进行梳理与计量分析，有助于从不同角度了解主题研究状况、发文情况，对后续的研究具有一定的参考价值。[方法/过程]本文对发文期刊、作者团队进行统计分析，并利用共词分析法，研究关键词之间的联系，探讨近十年来在文本情感分析的研究热点及现状。[结果/结论]结果表明，我国近两年对文本情感分析的研究主要有基于情感词典的机器学习和神经网络的深度学习两种方法，文章最后指出了两种方法的研究现状及未来研究方向。     

基于情感分析与TextRank的负面在线评论关键词抽取

【目的/意义】负面在线评论已成为商家重要的经营决策信息,对了解客户消费满意度、改善产品和服务质量 具有重要意义。【方法/过程】该文将情感分析和关键词抽取相结合,提出一种基于BiGRU-CNN 和 TextRank的在 线评论负面关键词抽取方法,即首先对在线评论文本数据进行清洗,然后构建 BiGRU- CNN 情感分类模型对在 线评论进行情感分析,最后采取TextRank 方法抽取情感分析得到的负面评论中的关键词。利用这种方法,对十个 产品与服务类别的6万余条消费者在线评论文本数据进行实证分析。【结果/结论】实验结果表明,该方法能准确判 别客户负面在线评论情感倾向,F1值达92.41%,并且负面在线评论关键词抽取结果能较好帮助商家完善产品质量 和服务。【创新/局限】提出一种结合双向GRU 和CNN 结合的情感分类模型,在此基础上基于TextRank 方法抽取 情感分析得到的负面评论中的关键词,进一步提升模型对于在线评论情感分析的准确性。     

基于顾客情感和谐的情感营销驱动模式研究

顾客情感逐步成为企业获取持续竞争优势的主导。企业只有以顾客情感为主体,满足顾客情感和谐才能保证顾客忠诚。本文基于顾客情感驱动因素分析,运用和谐理论与系统论对营销中顾客情感状态进行研究,构建情感营销机制,并通过建立情感营销驱动模式来促进顾客情感和谐。同时,提出情感和谐度作为情感营销驱动效应的评价指标。最后,针对企业如何促进顾客情感和谐提出相应建议。     

高职英语教材情感因素蕴含及运用的调查

本文简述了高职英语教学教材中情感因素蕴涵及运用的重要性,通过设计调查问卷,调查了现行高职英语教材中情感因素的蕴涵情况和教师在具体教学中的运用状况,从不同模块分析了教材中已经存在的情感因素和仍然可以添加以提高学生学习成效的内容。最后提出相应的建议。     

基于深度学习的藏文舆情分析研究

随着自然语言处理技术的快速发展，藏文信息处理技术也取得了较大进展。其中，藏文舆情分析作为藏族地区社会舆情分析的重要技术，受到广泛关注。但是，现有的藏文文本情感分析研究由于起步较晚，还存在很大提升空间。本文提出基于深度集成学习的藏文文本情感分析算法。并通过建立藏文情感数据集进行实验，本文算法在三类情感（正向、负向、中性）中精确率平均提升1.65%，召回率提升1.63%,F1分数提升1.96%。实验结果表明，本文采用的深度集成学习有效地提高了文本情感分类的性能。     

基于先验知识TextRank的学术文本关键词抽取

【目的/意义】学术文本关键词抽取是从文本中自动抽取具有主题性、代表性的词或短语,是学术信息服务 的重要环节。传统的方法大多仅依靠候选关键词有限的词频、文档频率等统计信息,没有考虑学术文本内候选关 键词在对应学术领域的使用情况,使得关键词抽取的准确率受到限制。针对这一问题,本文提出一种基于先验知 识TextRank的学术文本关键词抽取算法。【方法/过程】首先计算候选关键词的使用情况作为先验概率特征值,然 后运用基于图排序的关键词抽取算法TextRank计算候选关键词的文本内特征值,最后结合以上两个特征计算得到 候选关键词的综合权值并对关键词进行排序。【结果/结论】在计算机科学领域的多个文献集上进行了实验评估,其 结果相较于传统的关键词抽取方法有了明显的提高,证明了基于先验知识TextRank的学术文本关键词抽取算法的 有效性。     

一种基于引文的情感分析方法及其对论文排名指数的影响

[目的/意义]旨在研究引文分析中引入情感分析后对论文排名的影响。[方法/过程]提出一种引文情感分析方法,确定引文文本中的情绪,并使用监督分类器为每个文本句分配一个分数来确定其情感倾向,利用C4.5决策树对引文的极性进行分类;提出一个考虑定量(引用次数)和定性(情感分析)因素的论文评价指数pc指数,并基于该指数对论文进行了排名。[结果/结论]C4.5决策树对引文的极性进行分类,获得了较为准确的结果;pc指数对朴素算法进行改进后获得了对被引论文的影响力新的排名,排名对于较小的语料库影响不大(只有4篇论文排名发生了变化),而对于更大的语料库,预计影响会更大。     

基于句法语义的网络舆论情感倾向性评价技术研究

提出一个基于句法语义的情感倾向性评测算法。首先构建特定领域的情感语料库,然后提取情感知识库,为后续情感分析提供必要的基本数据。算法以句子为基本单位进行处理,运用基于扩展句法树的语言处理模型,从单句到篇章计算文本情感倾向。实验证实该方法是有效的。     

大数据环境下基于SOM神经网络的竞争对手识别方法研究

[目的/意义]大数据环境下,传统的竞争对手识别方法存在局限性,文章针对这种不足提出了一种能够适应大数据环境的竞争对手识别方法。[方法/过程]第一,基于互联网下顾客价值领先战略,从消费者角度出发,选择基于消费者情感特征的竞争对手评价体系;第二,以顾客评论作为数据源,通过对评论文本分析,提取顾客关注的产品特征;第三,基于文本情感分析技术计算企业相应产品特征的顾客情感得分;第四,基于自组织神经网络(SOM)构建竞争对手识别模型,并根据模型结果识别目标企业竞争对手。[结果/结论]使用酒店行业顾客评论数据进行实验,证实了该方法能够在大数据环境下快速、高效、客观地识别企业竞争对手。     

基于OTSCM模型的主题情感在线追踪

网络舆论主题情感在线分析对舆情研判与管理起着十分重要的作用,当前的主题情感模型存在着主题与情感建模关系不紧密,情感挖掘偏斜等问题,容易造成舆情误判。文本在OLDA（On-Line Latent Dirichlet Allocation,OLDA）模型的基础上引入情感参数,并提出情感遗传思想,建立基于情感遗传的在线主题情感混合模型OTSCM（On-Line Topic and Sentiment Combining Model）。该模型把t-1时间片内的主题情感分布作为t时间片内主题情感分布的先验,通过构造主题情感演化矩阵,生成t时间片内文档—主题、主题—特征词以及主题—情感词3个分布,最后使用交叉熵方法计算t时间片内主题分布与t-1之前主题分布的相似度,得出t时间片内主题情感演化结果。本文在5个数据集上对OTSCM进行了验证,并与其它流行算法进行了对比,实验表明,文本方法在主题情感在线识别方面达到了良好的效果。     

商品主观评论的情感细分类模型研究

在现有褒贬性情感分类的研究中,缺乏对商品具体属性情感倾向的分析。基于此,建立细分类模型,将情感分类分为初分类和细分类两个过程。初分类确定商品评论的整体情感倾向,根据初分类的结果对商品的各个属性再次进行情感分类,以确定具体属性的情感倾向。从而消费者无需阅读具体的文本评论,就可以全面直观地了解商品,缩短做出购买决策的时间,降低决策的复杂度。该模型可作为网上商品销售的一个扩展功能使用,并利用酒店评论文本检测了模型的有效性。同时,论文通过对四种经典的特征算法的测试,发现在情感细分类中互信息(Mutual Information,MI)达到了更高的准确度。     

一种基于关键词加权的共词分析方法

基于关键词的共词分析是文献计量中常见的一种研究方法,该方法是利用论文关键词在文献数据库中成对出现的统计学特征来分析关键词之间的亲疏关系,从而揭示这些关键词所代表的主题之间的关联结构。本文分析了传统的关键词共词分析法中存在的忽视关键词之间的重要性问题,探讨了其中基于关键词加权的合理性和必要性。本文还提出了一种基于关键词加权的共词分析方法,通过在关键词词频统计和词对相似度计算两个步骤中使用的改进的加权算法,从而实现了基于关键词重要性的加权。     

基于用户注意力的突发公共卫生事件舆情情感演化研究——以新冠肺炎疫情为例

【目的/意义】目前舆情情感演化研究大多是基于主题的方法来进行情感演化分析且重点均集中在从文本 本身提取的信息上,对在社交媒体中影响情感分析的用户特征缺乏考虑。【方法/过程】本文充分考虑网络用户信息 特征,构建融合用户特征的舆情情感演化方法,提出一种基于用户注意力机制的情感分析模型（U-BiLSTM）,并以 新冠肺炎疫情事件为例分析舆情情感演化过程。【结果/结论】研究结果表明U-BiLSTM情感分析模型具有一定的 优越性,F1值和准确率能达到97.08%和95.19%。【创新/局限】研究提出的融合用户注意力机制的情感分析模型能够 使舆情情感演化分析具有一定的可解释性,有效揭示面向突发公共卫生事件下网民的情感演化趋势,但由于时间 和设备条件的限制,仅采用单一数据源未考虑数据的多源性,研究的数据集不够充分且研究角度仅考虑时间维度 忽略了空间维度。     

基于机器学习的中文微博情感分类研究

在中文微博数据的文本情感分类任务中使用机器学习方法 ,为研究不同的特征集对情感分类准确率的影响,综合了一元词特征、句法特征、微博特征、基于评价对象特征、词典特征用于支持向量机分类器中,通过准确率、召回率、F指数比较分析不同特征组合对于分类性能的影响。所提方法用于微博数据中关于药品二甲双胍的评论文本,实验结果表明,一元词特征对文本情感分类的准确率高于其他单类特征,而在与句法特征、微博特征、基于评价对象特征、词典特征的综合使用得到了最高的分类精度。     

微博环境下高校舆情情感演化图谱研究——以新浪微博“高校学术不端”话题为例

[目的/意义]掌握和了解微博环境下高校舆情情感的演化规律,对相关部门加强高校舆情监测监管,使高校适时采取措施应对负面舆情事件的恶性传播具有十分重要的意义。[方法/过程]本文通过文本挖掘并利用词云可视化展示对文本特征进行分析;基于朴素贝叶斯分类器将网络用户评论文本进行情感分类;结合用户情感演化与舆情事件发展周期的分析动态展示高校舆情情感演化图谱。[结果/结论]网民负向情感的占比在舆情蔓延期达到顶峰,中性情感的占比在舆情蔓延期最低,正向情感的占比在舆情周期中几乎没有变化。通过对微博环境下高校舆情情感演化图谱进行研究,为微博环境下高校舆情的研究提供新的理论支撑,在实践层面为舆情监管部门及时监测和有效引导高校舆情走向起到针对性的作用。     

一种基于TFIDF方法的中文关键词抽取算法

本文在海量智能分词基础之上,提出了一种基于向量空间模型和TFIDF方法的中文关键词抽取算法.该算法在对文本进行自动分词后,用TFIDF方法对文献空间中的每个词进行权重计算,然后根据计算结果抽取出科技文献的关键词.通过自编软件进行的实验测试表明该算法对中文科技文献的关键词自动抽取成效显著.     

基于TFIDF和词语关联度的中文关键词提取方法

关键词提取技术是文本分类、文本聚类、信息检索等技术的基础,在自然语言处理领域有着非常广泛的应用。结合TFIDF关键词抽取方法的特点和中文具有的自然语言词语间相互关联的特性,提出一种基于TFIDF和词语关联度的中文关键词提取方法。该方法通过引入词语关联度,有效避免了单纯采用TFIDF算法产生的偏差。实验结果表明,该方法的平均召回率与传统方法相比得到明显提升。     

网络搜索指数与汽车销量关系研究——基于文本挖掘的关键词获取

网络搜索数据是消费者在信息搜集和购买决策过程中真实足迹的反映,对了解消费者购买需求具有重要价值。本文运用与现有研究不同的关键词获取方法,以我国汽车市场为背景,研究网络搜索数据与销量之间的关系。首先,确定网络搜索数据的关键词,主要运用了文本挖掘技术,具体而言：①对抓取的汽车论坛文本进行Jieba分词;②利用Word2vec模型把分词结果转化为向量空间模型形式;③结合TF-IDF算法和余弦相似度算法确定关键词。然后,基于108个月的长面板数据,建立网络搜索与汽车销量的固定效应模型。最后,采取滚动窗口的方式预测最近12个月的汽车销量。实证结果显示：网络搜索与汽车销量之间存在长期均衡关系,回归模型可以解释76%的方差;网络搜索数据有助于预测我国汽车销量。