基于融合特征的虚假评论检测方法

针对现有虚假评论检测方法未充分利用用户历史行为中蕴含的动态信息,首先利用时序分析模型从这些动态信息中挖掘能够刻画用户行为的动态特征;其次,融合这些动态特征与用户层面静态特征发现可疑用户,并将用户可疑概率传播至用户所发表评论得到评论可疑概率;最后,融合评论可疑概率与评论层面静态特征形成融合特征,使用PU-Learning分类策略实现虚假评论的检测。真实数据集上的实验表明,本文方法的性能优于现有方法。     

基于评论文本情感注意力的推荐方法研究

基于评论文本的深度学习推荐方法主要利用评论文本刻画用户和项目的特征信息,学习用户对项目的评分关系,提升推荐的性能.现有研究工作在提高推荐系统精度质量的同时,忽略了情感特征在评分预测中的可解释性贡献.针对此问题,考虑了评论文本以及情感倾向分别在用户和项目嵌入中的作用,提出了一种基于评论文本情感注意力的推荐方法(Incor...     

基于异质集成学习的虚假评论检测

为了防止卖家的恶性竞争、保证电商平台能够公平交易、保护消费者的权益不受侵犯,针对虚假评论检测领域中数据集小、标注不准确等问题,基于亚马逊最新发布的虚假评论数据集对相关算法进行改进。考虑到Word2vec模型无法识别英语中的词对,提出了Bigram-Word2vec模型;提出“二分类加权硬投票法”以解决异质集成学习中分类器投票数相等的情况;针对异质集成学习中分类器权重设置问题提出“加权软投票法”。试验结果表明,文中对相关算法的改进取得了较为理想的结果。     

基于多特征融合的微博情感摘要方法

微博情感摘要是对微博文本的主题和情感信息进行抽取,归纳为带有情感倾向的总结性描述。已有的相关研究忽视或者不能准确得到话题的正面和负面情感摘要。针对该问题,提出一种基于多特征融合的微博情感摘要方法。首先,对语料进行预处理并统计语料中的共现词对;然后,利用BTM模型挖掘文档中的隐含主题,计算语料和文档的主题概率分布;最后,利用该分布计算句子的主题相关度和情感特征权重,并抽取与话题相关度高且情感特征权重较大的句子形成正面和负面情感摘要。实验结果表明,相比传统方法,文章方法能够有效提高微博情感摘要的综合性能。     

本体和深度学习融合的在线评论细粒度情感分析

为了解决细粒度情感识别效果欠佳和深度学习方法可解释性差等问题,提出一种将本体与深度学习融合的细粒度情感分析模型。在模型中,将领域本体与卷积神经网络相融合,以识别文本中的显式和隐式主题。同时,将情感词典、双向长短时记忆网络和注意力机制相结合,用于分析在线评论文本的细粒度情感。实验结果表明,与其他方法相比,所提的细粒度情感分析方法在准确率、召回率和F1值等方面均具有一定的优势。     

基于半监督学习算法的虚假评论识别研究

已有的虚假评论识别方法主要采用启发式策略或简单特征建模,针对这些方法的不足,提出使用机器学习方法识别虚假评论。首先整合计算语言学与心理语言学的知识对评论文本进行建模,使用全监督学习算法来评价不同特征建模的性能,选出最好的特征组合。为了提高识别性能,设计两种半监督学习算法充分利用大量的未标注文本。实验结果证实所提算法超过当前的基准。     

面向电力领域的微博评论情感分析

目前对微博评论的研究主要聚焦在影视、购物等非电力领域,而对电力领域的研究相对较少.因此在影视等领域的研究基础上,根据电力行业的特性,将评论进行预处理后,建立评论关系树,使用动态扩展情感词典和基于支持向量机的方法,建立情感极性判别规则,进行情感极性分析.经实验验证,生成评论关系树后,扩展情感词典和支持向量机两种方法在电力领域的正确率均得到了明显的提升.     

融合Stacking 和深度学习的中文产品评论情感分析

大量涌现的电商产品评论对企业制定商业决策十分有利, BERT 应用在英语文本情感分析中取得了不错的效果。针对中文电商产品文本评论提出了一个新的融合Stacking 集成思想和深度学习算法模型。首先在文本信息特征提取层使用Chinese-BERT-wwm 生成含有丰富语义信息的动态句子表征向量, Chinese-BERT-wwm 是专门针对中文特点改进后的预训练模型, 具有稳健的中文文本特征信息提取能力, 其次该层同时设计了TextCNN 和BiLSTM捕获文本中局部关键信息特征与语序信息特征, 并将这些特征拼接在一起以获得更全面丰富的句子信息, 最后基于Stacking 集成学习思想使用SVM 对该特征进行分类。为了评估模型效果, 人工标注3 万条具有三类情感极性的中文电商产品文本数据进行实验, 该数据集可广泛用于中文情感分析领域。实验结果表明, 与基线模型相比, 提出的模型可以有效提高中文文本情感极性分类任务的准确率。     

基于情感词典的课程评论情感分析

采用极性计算方法,对MOOCs上的课程评论进行情感分析.首先,从MOOCs上搜集课程评论,并对所有评论按学习者、授课方式、课件、平台和视频这5个属性进行分类.其次,基于情感词典对各属性评论进行极性计算,得到各属性的正向评论、负向评论、中性评论和无效评论,将正向评论和负向评论作用于课程评分.最后,分别计算课程评论与5个属性在网页中的共现频率,并将单个共现频率与总共现频率之比作为评分的权重,从教育者角度、学习者角度和平台角度对课程进行评分.将本文方法应用于某高校的课程分析中,结果表明本文方法所得的结果客观、合理.     

基于情感分析的虚假信息识别模型

以微博为代表的社交平台已经成为人们获取信息和发布信息的重要途径,也成为虚假信息滋生的温床.包含虚假信息的微博往往含有明显的情感偏向.文章从情感分析角度出发,提出一种Bert模型结合BI-LSTM模型的虚假信息识别模型(LableBert模型):首先利用情感词典给情感词添加权重,改进Bert的预训练任务,以提升对于隐式情...     

融合领域相关度与上下文信息的无监督窄域实体识别方法

针对细分领域实体识别所面临的实体规模受限、语料样本相对缺乏的挑战,提出了一种融合领域相关度与上下文信息的、无监督的窄域实体识别方法.首先,融合词频及上下文信息,设计了术语-语料库相关性假设,并利用对数似然比计算假设的可能性,获得候选实体的领域区分度;在此基础上,基于候选实体的中心词在语料库中的相对领域占比,构建领域依存度函数,识别候选实体的领域倾向性;最后,绑定领域区分度和领域依存度,计算候选实体的领域相关度,选择领域相关度大于阈值的候选实体作为被识别的窄域实体.实验结果表明:该方法在减少识别过程人工干预的同时能有效提升窄域实体识别的准确率.     

一种面向目标的情感极性分析方法

面向目标的情感分析是细粒度情感分析的重要任务之一,旨在预测句子中给定目标实体的情感极性.当前大多数研究方法忽略了句法结构信息,在情感判别时往往会关注无关词汇,从而使分类性能下降.为此,设计了一种新的引入句法结构的模型,该模型利用双向预训练编码器和作用于依存句法树的图卷积网络分别捕获文本的上下文信息和句法结构信息,并使用多头注意力机制进行信息聚合得到目标的情感分类表征.此外,还将该模型与现有的领域自适应方法相结合,同时向模型中引入领域知识和句法结构知识,进一步提升了模型效果.在几个常用的标准数据集上的实验结果表明了上述模型的有效性.     

基于熵的多点脉搏传感器信息融合方法

研究了现有的脉搏信号处理方法及其测量技术,提出了一种多点脉搏信息融合方法,该方法可以从多点的脉搏信号中提取出具有最大信息量的值,从而把多路脉搏信号融合成一路脉搏信号,可以得到一路既具有较大信息量,同时具有小数据量的高质量脉搏信号,十分有利于脉搏信息参数的计算和数据存储.     

一种基于色度信息特征的人脸检测方法

介绍了一种新颖的人脸检测方法，该方法基于非统一背景下室内环境中单幅人脸图像的色度特征信息。该人脸检测算法是基于眼睛检测以及修正黄金比率（MGR），最后获取人脸。首先，获取脸部边缘，而修正黄金比率是用来提取包括眼睛、眉毛、鼻子和嘴巴的人脸部分，都是基于眼睛的位置。实验结果显示，该算法在检测正面人脸具有高精确性。     

一种基于雷达回波序列相关特征的目标检测方法

根据雷达回波序列中目标和噪声的相关特性不同，提出了一种新的目标检测方法．该方法能够用于检测低信噪比条件下的弱目标信号，实验结果证明了该方法的有效性和可行性．     

一种有效融合高冲突证据的目标身份识别方法

DS理论(Dempster-Shafer theory,DST)已广泛应用于目标身份识别中,但是Dempster组合规则在处理冲突证据时的失效问题一直是研究的热点。为能在目标身份识别中有效融合高冲突的证据,提出DSm理论(Dezert-Smarandache theory,DSmT)和DST的混合方法。该方法采用先单帧后多帧的融合模式,在单帧融合中采用DSmT,化解可能的高冲突证据;在多帧融合时采用DST,保证了快速收敛性和较小的计算量。仿真分析验证了该方法的有效性和适用性。     

融合小波包和神经网络的脑电信号处理方法

针对运动想象脑电信号处理中分类准确率较低的问题,提出了一种基于能量（二阶矩）小波包变换和莱文伯格-马夸特神经网络算法相结合的运动想象脑电信号处理方法.首先,利用能量方法对信号进行时域分析,选取有效的时序段;然后,使用小波包变换对所选有效时域段的各导信号进行时频分解,选取与想象任务相关的频段信息重构脑电信号特征;最后,将各导信号重构的特征串接,导入基于莱文伯格-马夸特训练算法的神经网络实现最终的任务分类.利用2个脑电信号标准竞赛数据库进行方法验证,分别取得了95.62%和90.13%的分类准确率.与近期的一些研究成果进行对比,可知该方法具有较好的分类效果.     

基于GA-CNN-LSTM模型的文本情感分析方法研究

为了克服传统神经网络不能学习文本长期信息的缺点和神经网络中梯度下降法容易陷入的局部最优问题,提出基于遗传算法(GA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的文本情感分析模型GA-CNN-LSTM.具体来说,该模型首先利用卷积神经网络从全局信息中提取序列特征,之后使用长短期记忆神经网络分析句子的句法和语义结构,最后运用遗传算法从全局进行寻优,有效避免梯度下降法陷入的局部最优问题.在IMDB数据集上进行实验,结果表明,该模型相比于其他现有的网络模型,取得了更好的分类效果,精度比传统的长短期记忆神经网络提高了 1.8百分点,准确率达到了 0.906.