首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 718 毫秒

1.  基于CRFs的中文微博情感倾向性研究  
   肖珺  ;刘志明  ;肖振南《网友世界》,2014年第8期
   本文针对中文微博短文本情感倾向性进行了深入分析。以HowNet情感分析用词作为基本词典,结合常见的网络非正式表达词汇及微博表情图,构建了一个情感词典,并采用机器学习中的CRFs算法,对中文微博短文本的情感倾向性分类进行了研究。对比试验表明,CRFs算法在以短文本为主的微博情感倾向性分析评测中,相较于句法分析,取得了较好的效果。    

2.  融合表情符号与短文本的微博多维情感分类  
   赵晓芳  金志刚《哈尔滨工业大学学报》,2020年第52卷第5期
   表情符号已成为网络语言重要组成部分,是分析社交媒体情感的主要特征之一.目前分析社交媒体情感符号的方法多针对Emoji,对颜文字的情感倾向没有相应分析.为获取中文媒体的多维度情感并分析热点话题的群体情感走向,本文以微博为例提出一种新的融合表情符号与短文本的多维情感分类方法.在该框架中,采用深度学习模型分析文本与Emoji组合部分、颜文字部分,分别计算两部分的7种情感强度,挖掘各部分与情感标签的深层次关联,并设计计算模型来反映语句包含的多维情感属性,实现对语句多维情感强度的检测.实验选择NLPCC2014数据集和爬取的带有颜文字的微博数据集进行验证,实验证明当文本与Emoji组合、颜文字占比分别为0.6和0.4时情感分类效果最好,且含颜文字的语句情感分类性能指标始终高于不含颜文字的语句,这表明融合表情符号和短文本的形式有效提高了情感检测精度.该方法为研究群体情感趋势提供了更细粒度的分析,为中文社交媒体的情感分析提供了新思路.    

3.  中文微博情感分析方法概述  
   武光利《中国建材科技》,2014年第6期
   微博短文本的情感分析是Web数据挖掘的研究热点之一,中文微博情感分析主要有两类方法,一是基于情感词典的分析方法,一是基于机器学习的分析方法。本文首先介绍了中文微博情感分析的过程,然后介绍了各种情感分析方法的特点,为面向中文微博情感分析的研究提供参考。    

4.  基于卷积记忆神经网络的微博短文本情感分析  
   郑啸  王义真  袁志祥  秦锋《电子测量与仪器学报》,2018年第3期
   微博短文本情感分析的目的是发现用户对热点事件的观点及态度。已有的方法大多是基于词袋模型,然而,词袋模型无法准确捕获带有情感倾向性的语言表现特征。结合卷积神经网络(CNN)和长短期记忆网络(LSTM)模型的特点,提出了卷积记忆神经网络模型(CMNN),并基于此模型来解决情感分析问题。与传统算法相比,模型避免了具体任务的特征工程设计;与CNN和LSTM相比,模型既能够有效提取短文本局部最优特征,又能够解决远距离的上下文依赖。通过在COAE2014数据集上的实验来验证了模型对微博短文本情感分析的有效性。并与CNN、LSTM以及传统模型SVM做了实验对比,结果表明,模型对于微博短文本情感分析在性能上优于其他3种模型。    

5.  基于特征扩展与深度学习的短文本情感判定方法  
   杜永萍  陈守钦  赵晓铮《计算机科学》,2017年第44卷第10期
   针对中文短文本信息量少、特征稀疏等特点,面向微博短文本进行情感分类研究,为了更好地提取短文本情感特征,从评论转发等上下文内容中挖掘具有语义递进关系的语料对原文本进行扩展,并抽取具有潜在感情色彩的特征词,采用Word2vec计算词语相似度以进行候选特征词扩展,最后引入深度信念网络(Deep Belief Network,DBN)对候选特征词进行深度自适应学习。在COAE(Chinese Opinion Analysis Evaluation)2015任务评测数据集上的实验表明,该方法能够有效地缓解短文本特征稀疏问题,并且能够较为准确地挖掘情感特征,提高情感分类的准确率。    

6.  基于细粒度学习情感本体的学习效果评估方法——以算法设计与分析课程为例  
   张春霞  牛振东  施重阳  商建云《计算机科学》,2018年第45卷第Z6期
   教育目标包括认知领域目标、动作技能领域目标和情感领域目标。情感领域目标教育已受到越来越多教育者和众多领域学者的关注和研究。学习者的情感在传统教育和网络教育中都起着十分重要的作用,影响着学习者的学习主动性、积极性、创造性以及学习效果。基于多年承担本科生和硕士生的算法相关课程的教学实践,构建了细粒度学习情感本体,提出了基于细粒度学习情感本体的学习效果评估方法。细粒度学习情感本体的特点是引入了课程知识点之间的多种语义关系,构建了基于知识点的教师情感反馈行为分类。学习效果评估方法的特点是构建了基于细粒度学习情感本体中知识点关系路径的学习情感演化模型,并应用该模型来评估学习效果。    

7.  基于卷积树核的中文微博情感要素识别  
   陈锋  巢文涵  周庆  李舟军《计算机科学》,2014年第41卷第12期
   情感要素识别是情感分析的关键子任务之一,其目的是识别出文本情感所作用的情感对象。文本情感要素识别属于最细粒度的情感分析,吸引了大量研究者的关注。中文微博由于其语言简短灵活、文本不规范、噪声较大等特点,给中文微博情感分析研究工作带来了新的挑战。目前大部分情感要素识别方法都是基于规则的方法或者基于扁平化特征的统计学习方法,区分噪声的能力不强,性能提升有限。针对中文微博的特点,提出一种基于卷积树核的情感要素识别算法,即首先对句子进行词性标注与依存关系分析,将句子中的名词作为候选情感要素;然后基于两种不同的修剪策略对依存树进行修剪,以获取每个候选情感要素的结构化信息;最后采用卷积树核计算依存树的相似度,并在此基础上识别句子中的情感要素。NLPCC2012和NLPCC2013中文微博情感分析评测任务中的实验验证了该方法的性能,其准确率相比于传统方法有显著提升。    

8.  基于深度学习的微博情感分析  
   《中文信息学报》,2014年第5期
   中文微博情感分析旨在发现用户对热点事件的观点态度。已有的研究大多使用SVM、CRF等传统算法根据手工标注情感特征对微博情感进行分析。该文主要探讨利用深度学习来做中文微博情感分析的可行性,采用递归神经网络来发现与任务相关的特征,避免依赖于具体任务的人工特征设计,并根据句子词语间前后的关联性引入情感极性转移模型加强对文本关联性的捕获。该文提出的方法在性能上与当前采用手工标注情感特征的方法相当,但节省了大量人工标注的工作量。    

9.  基于中文微博的情感词典构建及分类方法磁  
   周剑峰  阳爱民  周咏梅《计算机与数字工程》,2014年第10期
   微博情感研究已成为网络文本分析的重要研究领域,微博情感词典是进行微博情感分类的基础。提出一种在分析海量微博语料情感的过程中,自动构建情感词典的方法。方法自动从语料中获取情感词汇、筛选确定情感新词,使用SO-MB 算法计算新情感词的情感极性及强度,构建微博情感词典,结合规则对中文微博进行无监督情感分类。实验证明提出的微博情感词典的构建方法及微博情感分类方法是有效的。    

10.  基于Word2Vec的微博文本分类研究  
   牛雪莹  赵恩莹《计算机系统应用》,2019年第28卷第8期
   以微博为代表的社交平台是信息时代人们必不可少的交流工具.挖掘微博文本数据中的信息对自动问答、舆情分析等应用研究都具有重要意义.短文本数据的分类研究是短文本数据挖掘的基础.基于神经网络的Word2vec模型能很好的解决传统的文本分类方法无法解决的高维稀疏和语义鸿沟的问题.本文首先基于Word2vec模型得到词向量,然后将类别因素引入传统权重计算方法TF-IDF (Term Frequency-Inverse Document Frequency)设计词向量权重,进而用加权求和的方法得到短文本向量,最后用SVM分类器对短文本做分类训练并且通过微博数据实验验证了该方法的有效性.    

11.  基于深度神经网络的微博文本情感倾向性分析  
   钮成明  詹国华  李志华《计算机系统应用》,2018年第27卷第11期
   随着新型社交媒体的发展,作为传播网络舆论的重要媒介,微博已然成为挖掘民意的平台.自然语言处理技术可以从微博文本中提取有效情感信息,为网络舆情监控、预测潜在问题及产品分析等提供科学的决策依据.为了克服现有的浅层学习算法对复杂函数表示能力有限的问题,本文尝试融合深度学习的思想,提出基于Word2Vec和针对长短时记忆网络改进的循环神经网络的方法进行中文微博情感分析.在两万多条中文标注语料上进行训练实验,实验数据与SVM、RNN、CNN作对比,对比结果证明,本文提出的情感分析模型准确率达到了91.96%,可以有效提高微博文本情感分类的正确率.    

12.  MB-SinglePass:基于组合相似度的微博话题检测  被引次数:2
   周刚  邹鸿程  熊小兵  黄永忠《计算机科学》,2012年第39卷第10期
   话题检测技术在传统媒体的研究中取得了较好的效果。探讨了针对微博类的新型媒体短文本对象话题检测技术的优化及性能评价。基于微博中联系人存在的关注和粉丝等结构化信息、帖子之间转发评论等内在关联关系,提出了针对微博的MB-SinglePass话题检测算法。该算法除了考虑微博上述特点之外,还针对短文本特征稀疏的问题,利用同义词典,引入了微博特征扩展技术,丰富了特征信息。同时,针对单一使用余弦相似度、雅各比相似度和语义相似度的不足,采用了组合相似度策略。相较传统算法,MB-SinglePass算法在新浪微博实测数据集上取得了更好的性能。另外,针对相似度策略的对照实验说明采用组合相似度的效果优于单一相似度。    

13.  短文本情感分析的研究现状 ——从社交媒体到资源稀缺语言  
   拥措  史晓东  尼玛扎西《计算机科学》,2018年第45卷第Z6期
   随着社交网络的逐渐成熟,各类语种的文本出现在社交网络上。而这些非规范的短文本蕴藏着人们对事物的褒贬、需求等意见,是国家政府和企业了解公众舆论的重要参考信息,具有重大的研究价值和应用价值。首先,对 目前互联网短文本情感分析领域常用的神经网络、跨语言和应用语言学知识等研究方法进行归纳和总结;其次,对当前短文本情感分析研究的热点领域——社交媒体和资源稀缺语言的情感分析进行现状分析;最后,对短文本情感分析研究的趋势进行总结,分析存在的问题,并对未来进行展望。    

14.  虚拟学习社区的学习者社会性交互研究  
   周智勇《电脑编程技巧与维护》,2018年第7期
   针对虚拟学习社区的学习者交互网络的结构与交互内容进行研究,从度数中心度和学习者交互内容深度两个方面对某大学生微博虚拟学习社区进行了分析,探讨了学习网络中个体学习者的结构位置与学习者交互内容深度的关系,以期促进学习网络的良性发展,改善网络学习社区学习环境,优化知识在网络中的传播方式.    

15.  基于LSTM的商品评论情感分析  
   於雯  周武能《计算机系统应用》,2018年第27卷第8期
   随着电子商务的发展,产生了大量的商品评论文本.针对商品评论的短文本特征,基于情感词典的情感分类方法需要大量依赖于情感数据库资源,而机器学习的方法又需要进行复杂的人工设计特征和提取特征过程.本文提出采用长短期记忆网络(Long Short-Term Memory)文本分类算法进行情感倾向分析,首先利用Word2vec和分词技术将评论短文本文本处理为计算机可理解的词向量传入LSTM网络并加入Dropout算法以防止过拟合得出最终的分类模型.实验表明:在基于深度学习的商品评论情感倾向分析中,利用LSTM网络的短时记忆独特特征对商品评论的情感分类取得了很好的效果,准确率达到99%以上.    

16.  基于降噪自动编码器及其改进模型的微博情感分析  
   李阳辉《计算机应用研究》,2017年第34卷第2期
   随着自然语言处理科学的迅猛发展,情感分析作为其重要的一个分支广泛应用于社交网络平台上,尤其是微博由于其传播广泛且蕴含丰富的情感信息而备受学者青睐。为解析微博中表达的情感信息以及深入挖掘其蕴含的潜在感情,本文在降噪自动编码器的深度模型之上研究探索改进了这个深度学习模型。降噪自动编码器的工作特点是在引入噪声的干扰之下实现对原始输入的还原,而其改进模型的优势在于考虑到了噪声的多样性和复杂性,并通过深度学习训练加强模型的原始特征复原能力,以此来克服不可预判的原始输入噪声。后文中通过分别使用SVM、降噪自动编码器模型以及改进的模型做情感分析实验,对比分类效果而得出改进的深度模型对微博文字情感把握更准确而且抗干扰能力及鲁棒性有所提升。    

17.  一种分层多算法集成的微博情感分类方法  
   左荣欣《电子世界》,2014年第17期
   目前主观信息情感分类常用的方法主要有基于知识工程和基于统计两类,其中基于统计的机器学习方法在效率上优于基于知识的方法,但单一的机器学习算法有各自的优缺点,难以胜任复杂的分类任务。本文将微博情感判别任务分层,在不同层次选择合适的机器学习算法,提出了一种多算法集成的微博细粒度情感分类方法。首先采用朴素贝叶斯(NB)分类器对微博进行有无情绪分类,然后采用AdaBoost集成算法对KNN进行集成训练出多个分类器,对有情绪微博基于训练出的多个分类器通过线性组合模型进行情感判别。实验结果表明,在文本分类任务中合理集成不同机器学习算法,较单一机器学习算法和基于情感词典的方法能够提高分类性能。    

18.  一种基于名词的微博语义计算方法  
   时睿  封化民《北京电子科技学院学报》,2011年第19卷第4期
   微博具有传播快、数量大、语言简练等特点,对舆情分析提出了更高要求。从微博短文本中提取特征用来计算相似度时,现有的字符串匹配方法在语义分析方面存在局限性。因此本文从语义角度提出一种基于名词语义的微博相似度算法。该算法将名词集合作为微博特征,利用《知网》词典树状结构,计算得到微博短文本间的相似度。中等规模微博数据集实验表明,本文提出的算法能够准确判断微博主题含义,同一类别微博相似度90%以上分布在0.6-1.0之间,可为后续微博聚类服务。    

19.  结合词性的短文本相似度算法及其在文本分类中的应用  
   黄贤英  李沁东  刘英涛《电讯技术》,2017年第57卷第1期
   针对基于语义的短文本相似度计算方法在短文本分类中准确率较低这一问题,提出了结合词性的短文本相似度算法( GCSSA)。该方法在基于hownet(“知网”)语义的短文本相似度计算方法的基础上,结合类别特征词并添加关键词词性分析,对类别特征词和其他关键词的词性信息给定不同关键词以不同的权值系数,以此区别各种贡献度词项在短文本相似度计算中的重要程度。实验表明,该算法进行文本相似度计算后应用于短文本分类中较基于hownet的短文本分类算法在准确率宏平均和微平均上提升4%左右,有效提高了短文本分类的准确性。    

20.  改进特征权重的短文本聚类算法  
   马存  郭锐锋  高岑  孙咏《计算机系统应用》,2018年第27卷第9期
   短文本的研究一直是自然语言处理领域的热门话题,由于短文本特征稀疏、用语口语化严重的特点,它的聚类模型存在维度高、主题聚焦性差、语义信息不明显的问题.针对对上述问题的研究,本文提出了一种改进特征权重的短文本聚类算法.首先,定义多因子权重规则,基于词性和符号情感分析构造综合评估函数,结合词项和文本内容相关度进行特征词选择;接着,使用Skip-gram模型(Continuous Skip-gram Model)在大规模语料中训练得到表示特征词语义的词向量;最后,利用RWMD算法计算短文本之间的相似度并将其应用K-Means算法中进行聚类.最后在3个测试集上的聚类效果表明,该算法有效提高了短文本聚类的准确率.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号