一种融合信任和用户情感偏好的协同过滤算法

以调节用户情感为应用背景,为使资源满足用户情感需求,提出一种融合信任和用户情感偏好的协同过滤算法.首先,针对现有协同过滤中用户偏好模型扩展性不足的问题,提出融合评分和信任的用户偏好模型,依据评分数据集设定共同评分资源数目的阈值,有策略地选择用户间评分相似度和信任值,计算用户偏好程度;其次,定制资源的情感内涵特征,在资源集合生成过程中,通过引入用户对资源情感内涵的偏好度量机制,弥补了以往协同过滤推荐对用户情感的忽略.最后,实验结果表明,该算法有效地解决了协同过滤中用户偏好模型扩展性不足的问题,提高了分类准确度,增加了用户选中满意资源的机会.     

基于控制原理和情感计算的信息推荐

在分布式合作信息推荐系统中,系统的目标是使信息尽量流动到需要该信息的用户手 中,促进宏观信息的有效流动,这是一种有目的性的行为,可以抽象为复杂系统的控制问题．由 于系统的复杂性和动态性,集中式控制难以奏效,研究表明:通过用户的局部PI控制,可以获得 很好的宏观控制质量,简单的控制规则可以在分布式信息推荐中产生很好的效果.信息推荐需 要基于用户的需求模型,鉴于基于符号空间建立用户需求模型存在的不足,给出了基于情感空 间建立用户需求模型的方法,用户通过"很喜欢,喜欢,一般,不喜欢"等情感词汇表达自己的偏 好.仿真实验表明:情感空间模型可以很好地表达用户的偏好,模糊化的局部PI控制能够使计 算机逐渐适应用户的需要.     

浅谈基于情感的产品设计

信息时代的到来,人们越来越注重情感消费的需求。产品设计要在满足基本功能的情况下,充分研究目标消费群的情感特征,提炼出能和目标消费群产生美好情感共鸣的设计元素,运用到设计中,满足消费者的情感需求。     

基于情感倾向的个性化信息推荐算法研究

目前,情感计算的研究在信息领域已引起越来越多的关注。同时,传统的信息推荐技术并不能满足用户的个性化需求,本文介绍的是基于情感倾向计算的个性化推荐算法。首先,将原始文本,根据用户的兴趣过滤。其次,用户表示通过用户阅读的过滤信息和选择的情感态度词。情感特征词的倾向性权重计算来建立用户的情感向量空间模型。最后,基于情感模型的文本分类,为用户做信息推荐。实验表明,该算法具有较高的精度。     

基于感性的图像评估与检索

感性信息处理的主要研究目标之一是让计算机能够模拟和识别用户的偏爱、喜好等主观信息,适应不同用户的不同需求,实现以人为本.它的理论和应用研究刚刚起步,是一个全新的研究课题.本文基于R.Plutchik的情感理论,建立了四维的情感空间,提出了人工情感模型,并将其应用于图像的感性评估和检索;采用径向基神经网络建立图像特征空间和情感空间的联系,记忆用户的感性信息,对图像进行感性评估;采用交互式遗传算法,将用户的情感结合到图像检索过程,实现图像的感性检索取得了较好的实验结果.     

RERM:一种基于评论挖掘的需求获取方法

近年来,移动应用分布式平台不断扩大,用户评论越来越多,需求工程师需花费大量时间和精力从中提取改进或新增需求。针对这一问题,提出基于评论挖掘的需求获取方法 RERM,与已有方法不同的是,通过采用本体和条件随机场模型融合的特征提取方法,结合情感分析技术,可以对潜在软件需求进行分类型汇总,从细粒度上进行优先级排序和横向对比。实验结果表明,特征提取和情感分类算法性能良好,与其他方法比较,RERM提供了更多的有价值信息,提升了需求获取效率。     

中文软件评论挖掘系统的设计与实现

为了从用户评论中及时、准确的获取用户群体对软件及服务的满意度,从而发现用户期望,为软件的改进提供依据,实现了一个对中文软件评论进行情感倾向性分析的系统.系统从网络上收集软件的用户评论数据,通过无监督的方法识别出评论中的用户关注点和情感倾向,将结果以可视化的方式展现给开发者.通过在真实数据上的测试,表明了该系统的有效性.     

基于情感音乐模板的音乐检索系统研究

传统的基于文本信息描述的音乐检索技术已经无法满足人们对检索智能化的需求,于是产生了基于内容的音乐检索方法.在此基础上将情感需求引入到检索中,对基于情感的音乐检索方法及模型进行了相关研究.首先构建了音乐情感空间来获得用户的情感描述;然后通过对情感音乐模型进行定义提出了情感音乐模板库,以得到满足用户情感需求的匹配模板;最后,在此基础上提出了基于情感音乐模板的音乐检索系统模型,力求探讨出一种基于情感的有效检索方法.     

用于特定目标情感分析的交互注意力网络模型

特定目标情感分析旨在判别评论中不同目标所对应的情感极性。越来越多的研究人员采用基于神经网络的各种方法在特定目标情感分析任务中取得了较好的成绩。但大多数与目标相关的模型只关注目标对上下文建模的影响,而忽略了上下文在目标建模中的作用。为了解决上述问题,提出一种交互注意力网络模型（LT-T-TR）,该模型将一条评论分为三个部分：包含目标的上文,目标,包含目标的下文。通过注意力机制进行目标与上下文的交互,学习各自的特征表示,从中捕获目标短语和上下文中最重要的情感特征信息。通过在两个标准数据集上的实验验证了模型的有效性。     

基于自注意力门控图卷积网络的特定目标情感分析

基于特定目标的情感分析旨在预测句子中不同方面表达的不同情感倾向。针对之前利用循环神经网络（RNN）结合注意力机制的网络模型所带来的训练参数多且缺少对相关句法约束和长距离词依赖机制解释的问题,提出自注意力门控图卷积网络MSAGCN。首先,模型采用多头自注意力机制编码上下文词和目标,捕获句子内部的语义关联;然后,采用在句子的依存树上建立图卷积网络的方法获取句法信息以及词的依存关系;最后,通过带有目标嵌入的门控单元（GTRU）获取特定目标的情感。与基线模型相比,所提模型的准确率和调和平均值F1分别提高了1%~3.3%和1.4%~6.3%;同时,预训练的BERT模型也被应用到当前任务中,使模型效果获得了新的提升。实验结果表明所提出的模型能更好掌握用户评论的情感倾向。