基于情感主题的音乐分类研究

为确定歌词隐含的情感主题对音乐分类的作用,在传统主题模型中融入情感、语义元素,定义基于情感主题的音乐分类标准并进行音乐分类。结合文本情感词典、Word2vec词向量空间,将主题模型的基础主题进一步归类为情感主题,并通过爬取网易云音乐歌曲信息进行模型训练及测试。实验证明,该模型具有较好的分类效果,对音乐情感分类平均准确率达到80%。     

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。     

基于主题流与深度学习的情感分析算法

基于机器学习的情感分类方法已经取得了较大进展,但在大量情感分类方法中,往往都是结合词嵌入和传统的机器学习方法,缺乏对文本主题以及时序关系等因素的有效利用。针对上述问题,提出了一种基于主题流与深度学习的情感分类算法,通过分析文本的主题分布,并引入时序关系,在此基础上利用适合的长短记忆神经网络的深度学习方法进行情感分类。实验证明,基于主题流与深度学习的情感分类算法性能较好。     

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。     

认识“概括”“分析”,培养文本阅读能力

“概括”与“分析”是语文学科的两大核心能力要求,它们都属于高考语文能力层级中的“分析综合”,彼此既有联系又有区别.不理解或混淆“概括”与“分析”这两种命题要求,不但可能误读题意,导致答题出现方向性错误,更有可能带来答案混杂不清的失误.文章拟从语文高考文本阅读题的答题失误入手,剖析考生答题失误的根源,指出认识“概括”与“分析”的重要性,并提出相应的训练对策.     

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...     

基于影评领域的情感词典构建研究

影视评论作为一种典型的带有鲜明主观色彩的文本,其中包含了丰富的情感信息,可以用于情感词典的构建。以采集于豆瓣平台的公开数据集为基础,不断地缩小情感词汇的候选集合,提出一种基于影评领域的情感词典构建方法。利用用户评分的评价方法来确定目标词的极性,同时计算出目标词的情感极性强度,从而构建出基于影评领域的情感词典,最后再引入用户的点赞数进一步优化。结果表明,该方法构建出的情感词典具有较高的精确率,同时,引入点赞数有利于进一步提升构建效果。     

面向职业教育在线精品课程评价的情感分析与主题挖掘

课程质量是影响高职院校学生在线学习质量的重要因素。已有研究多聚焦于具体课程建设的实践研究或调查分析,存在研究系统性、针对性和推广性不足,以及缺乏实证基础等问题。基于137门高职在线精品课程共92922条学习者评价内容的深度分析,在情感分析、词云分析、关键词社会网络分析和LDA主题挖掘基础上,对学习者课程学习负性评价进行主题提取。研究发现,学习者整体课程学习体验正向评价远高于负性评价,且在负性评价中理工类课程高于文科类课程;学习者对课程的负性评价主要聚焦于教师教学能力、课程考核评价、课程内容设计、技术平台功能和学习资源质量等方面,研究针对上述结论提出职业教育在线精品课程的优化建议。     

中美贸易战社交媒体话语的情感倾向及主题焦点研究

为了探究西方社交媒体对中美贸易战的态度及关注焦点,本文爬取了贸易战期间Twitter上相关的热门英文推文,对其进行了情感倾向分析和主题建模。研究发现83%的推文带有消极情感倾向且情绪反应激烈;对消极推文的主题建模展示了Twitter用户对贸易战的八大评论焦点,几乎全部围绕贸易战给美国及世界带来的诸多不利影响。研究结果表明特朗普在贸易战这一经济策略上受到了普遍的批评和抨击,并没有得到民意的支持。     

文本情感分析动态研究

中国的情绪分析研究主要集中在商业价值领域,如医院、旅游、餐饮和金融。使用Bicomb软件和SPSS数据分析软件来分析研究中国知网2000—2020年收录的954篇文献。提取文献关键词,对文本情感分析研究进行归类和分析,研究文本情感分析的热点和发展趋势,为数据挖掘提供研究方向。     

基于SnowNLP-LDA的突发公共卫生事件网络舆情主题分析

突发公共卫生事件舆情危机一旦爆发会引发民心不安,为及时有效研判和引导网络舆情,提升政府部门的应急管理能力,突发公共卫生事件舆情主题分析就显得尤为重要.利用“知微事见”,从近两年国内最具社会影响力的突发公共卫生事件中,选取影响力指数最高的事件,基于SnowNLP模型对事件发生后政务媒体的相关评论信息进行情感分析,以可视化方式,将网民情感划分为形成期、爆发期和衰退期.并通过LDA主题模型,得出每个时期的主题分类,从而为突发公共卫生事件发生后相关政府部门对网络舆情的把控和引导提供支持.     

浅谈主题班会的情感诱导

主题班会是对学生进行思想教育的主要途径。其中班主任的情感诱导对转变学生的思想,提高学生的素质有着重要的作用。     

基于情感态度价值观主题的高中化学试题的命制

本文作者主要结合2007、2008年（广东、海南、宁夏、山东）四省的高考题,谈谈以情感态度价值观为主题的试题在结构特征和技巧等方面的初步探索和体会。     

基于 LSTM-Attention 的农业短文本信息分类研究

农业短文本中包含词数较少,导致语义获取不充分和分类效果下降。利用 Attention 机制加强关键词在分类时的权重,并结合 BiLSTM 设计 LSTM-Attention 模型。对 30 000 份原始数据经过中文分词、句法分析、文本向量化后,将 LSTM-Attention 模型训练成一个 LSTM-Attention 分类器,解决分类器对待分类文本数据敏感的问题。利用 30 000 份标准数据和加 30%干扰信息的复杂数据测试分类器分类效果,结果表明,LSTM-Attention 模型分类正确率达 98.59%,比传统 LSTM 模型高 3.72%,比 BiLSTM 模型高 1.61%,说明使用 BiLSTM 结 合 Attention 机制能够有效提升农业短文本分类效果。利用不同测试数据对 LSTM-Attention 分类器测试发现,LSTM-Attention 分类器具有良好收敛性,其分类效果不依赖于分类数据特征,分类效果稳定性佳。     

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。     

基于传统机器学习与深度学习的学生评教情感分类对比分析

通过在网站上收集建构154,000条评论的语料库,运用传统机器学习法和深度学习法,对其分类精确值及F测量值进行比对.大量的实证分析表明,基于深度学习架构在教师评价的情感分类任务上优于传统的机器学习分类器,其分类准确率达到98.29％.建议运用机器深度学习的模式,利用卷积神经网络和双向长短期记忆神经网络构建情感分析模型,...     

基于 MOOC 课程评论的话题挖掘与情感分析研究

为了深入挖掘与分析在线课程评论文本,探索学习者参与在线课程学习时关注的话题及其情感态度,为提高在线课程质量提供帮助。首先采用词频分析方法,实现对学习者在线课程评论内容的整体认识|然后利用非监督学习方法潜在狄利克雷分布主题模型对评论文本信息的特征结构、语义内容进行自动挖掘和分析,得到学习者的关注话题|最后对每个话题的课程评论文本进行情感倾向分析,得到学习者的情感倾向分布。实验结果表明,在参与课程学习的过程中,学习者主要关注教师授课、课程内容和学习资源 3 个话题。情感分析结果显示,学习者对于该课程普遍表示满意和赞赏,但是对于该课程学习资源表达了较多负面情感。     

《分析与概括能力训练》课例赏鉴

高考语文文本阅读题学生失分严重,这是不争的事实.如何在课堂上有限的教学时间内采取行之有效的办法,让学生学有所获,王俊一老师执教的《分析与概括能力训练》在这方面作了大胆的尝试与很好的示范.本课的特点在于它的实效性.学生在与教师的交流、合作、探究中明白不足、找到方法、提升能力,从而拥有了学习语文的成就感.     

文本情感分析综述

近年来,随着互联网和社交网络的发展,网络上文本信息迅速增长,对文本情感进行分析成为研究热点。根据文本情感分析方法的不同,总结了近年来文本情感分析的研究进展。将文本情感分析分为基于词典的方法和基于机器学习的方法两大类：基于词典的文本情感分析方法分为人工构建和自动构建两种;基于机器学习的文本情感分析方法分为基于贝叶斯算法、基于最大熵算法和基于SVM的文本情感分析3种。通过梳理国内外研究现状,对两类情感分析方法进行了深入分析,对文本情感分析进行了总结和展望。     

基于ALBERT、Bi-GRU和注意力机制的文本情感分析

针对静态词向量方法不能很好地解决一词多义,长短时记忆网络参数量较多、训练时间过长等不足,提出将ALBERT预训练模型、双向门控循环单元、多头注意力机制融合在一起,构建了一个微博文本情感预测模型.首先,通过ALBERT模型获取文本动态词向量;然后采用双向门控循环单元提取文本特征;接着引入多层注意力机制捕获文本序列中的重要信息;最后,通过Softmax进行情感分类.实验结果表明：所提出的模型与传统模型相比,能有效提取文本的特征,与静态词向量相比,模型准确率提升1.76%,与长短时记忆网络相比,参数数量下降25%,训练效率提升20%,有较好的实用价值.