面向深度学习网络的细粒度商品评价分析

利用BERT预训练模型的优势,将句法特征与BERT词嵌入模型融入到深度学习网络中,实现细粒度的商品评价分析.提出一种基于深度学习的两阶段细粒度商品评价情感分析模型,利用融合句法特征与B E RT词嵌入的BILSTM-CRF注意力机制模型提取用户评论中的商品实体、属性与情感词;运用BILSTM模型对提取的结果进行情感分析...     

基于深度学习的微博情感分析

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。     

基于深度学习的舆情情感分析研究

对网民在疫情期间微博上发表的观点与评论作舆情情感演化分析.使用爬虫技术从微博与丁香园获取相关数据.引入Word2Vec训练疫情领域专用词向量,再结合LSTM-CNN的方法构建情感分类模型.基于时间序列与空间统计方法,分析疫情发展对舆情情感演化的影响.     

基于深度学习的中英文混合短文本情感分析

在当今信息爆炸的互联网时代,社交平台上的短文本已经成为一种表达情感的流行方式,且其影响力日益增长。分析短文本的情感偏好,对了解公众舆论走向起到了重要作用。基于此,通过对短文本中比较常见的一种类型,即中英文混合的短文本进行情感分析,提出了基于BERT词向量和Bi-LSTM+Attention的神经网络模型,解决了此类短文本中的情感分析问题。     

基于深度学习的短文本情感倾向分析综述

短文本情感倾向分析是自然语言处理领域的关键研究问题之一.情感倾向分析是用于检测语言所蕴含主观倾向语义的一系列方法、技术和工具,是对文本深层语义理解的关键.短文本数据的随意性、高歧义性以及简短性使得传统基于特征工程和机器学习分类技术的情感倾向分析任务性能有限.随着深度学习技术在自然语言处理中的广泛应用,基于深度学习的短文...     

基于深度学习的社交网络平台细粒度情感分析

文本语言的情感分析历来是自然语言处理领域的热点研究课题,尤其是在当下互联网迈入web2.0时代,多样的社交网络平台呈现出巨量而丰富的文本情感信息,因此挖掘网络数据文本信息并作情感倾向判断对人机交互与人工智能具有重大的现实意义。传统的解决文本情感分析问题的方法主要是浅层学习算法,利用回归、分类等方案实现特征的提取及分类。以这类方法为起点,本文探索采用深度学习的方法对网络文本进行细粒度的情感分析,以期达到即时获取依附于网络世界的社会人的情感,甚至是让机器达到对人类情感表达的深度理解。对于深度学习的具体实现,本文采用的是降噪自编码器来对文本进行无标记特征学习并进行情感分类,后文中利用实验训练获得最佳的参数设置,并通过对实验结果的分析和评估论证深度学习对于情感信息的强大解析能力。     

基于深度学习和知乎的情感分析系统

随着互联网的发展,人们更愿意在网络上分享自己对热点事件的观点并发表自己的评论,这些评论通常包含了个人的情绪和情感倾向,所以对网络短评进行情感分析能高效、精准的挖掘人们的情感态度。本系统首先对知乎平台的网络短评进行定向抓取,然后进行数据清洗、分析出人们的情感取向,最后利用词云进行直观的展示。本系统的情感分析模块主要使用了Google的TensorFlow框架,并采用长短期记忆网络(LSTM)对已经标注好正负情感评论的语料进行训练,然后使用PythonScrapy框架对知乎热榜评论进行定向数据爬取,并做出情感预测,最后使用Tornado框架实现情感分析系统的Web图形化操作。利用本系统可以高效、精准的挖掘人们的情感态度,有助于舆情分析、用户分析等方面的应用。     

基于深度学习与集成方法的情感分析研究

近年来,社会舆论的情感分析是NLP领域所研究的热点问题之一.对这些舆论数据进行情感分析研究,判断情感倾向为企业政府制定战略决策提供重要支持.目前在情感分析研究中常常使用有监督的浅层机器学习算法模型,人工标注的过程繁琐且标注结果往往不能反应实际的数据情况.对情感词分析的现状进行说明,探讨了利用深度学习和集成方法模型对舆论数据的情感进行了分析研究,总结了中文情感分析的不足和面临的挑战,并对前景进行展望.     

基于深度学习的情感对话响应综述

人机对话作为人工智能的重要领域,以其方便快捷的交互特点广泛应用于任务型和闲聊型机器人等诸多商业场景,并被视为新一代人机交互的主要形式.但情绪感知与表达能力的缺乏致使人机对话技术在复杂交互场景中难以满足人们对情感交流的强烈需求.为弥补人机对话技术中情感智能的缺失,基于深度学习的情感对话响应任务被提出且已发展为对话领域中一个重要的研究方向.本文首先回顾了基于深度学习的情感对话响应任务的发展历程,其次按照任务将情感对话响应分为可控情感对话生成、共情对话响应、情绪支持、多模态情感对话生成、新任务五类.随后本文也按照常用的结构将模型进行了归类与分析,以求更细致地阐述各种结构在情感对话响应任务中的具体用法,之后介绍了常用数据与评测指标.最后本文也对模型进行了总结,并在此基础上进一步展望了该任务未来的发展方向.     

基于深度学习的会话情感识别研究

在自然语言处理领域中,机器理解人类的情感是一项重要且艰巨的研究,其中会话情感识别任务是重点对象。依托近年来深度学习的发展,文章针对会话情感识别的研究进展和成果,分类阐述其主要特点、难点和主流模型,并对会话情感识别在未来的研究趋向进行总结和展望。     

基于深度学习的学生学习情感模型建立与分析

传统的情感模型仅仅关注学生学习表情与对应的学习情感之间的关系,而忽略了不同学习情感之间的关系,因而导致学生学习表情识别准确率相对较低。基于此,建立学生学习表情三维状态空间情感模型,并在其中引入Maxout神经元,从而构建优化的三维状态空间情感模型,进一步解决三维梯度弥散问题,更好地优化系统的训练过程,在本模型中还引入了情感分类器的概念,实现对学生学习表情情感状态的有效分类,从而进一步增强模型的泛化能力。另外,建立了愉悦、困惑、惊讶、中性和疲倦5种情感状态的模型,并依据所提出的模型进行了实际验证实验,实验结果表明所提出的优化后的三维状态空间情感模型相比于传统模型识别准确率提升了12.5个百分点。     

基于深度表示学习和高斯过程迁移学习的情感分析方法

情感分析是自然语言处理领域的重要研究问题。现有方法往往难以克服样本偏置与领域依赖问题,严重制约了情感分析的发展和应用。为此,该文提出了一种基于深度表示学习和高斯过程知识迁移学习的情感分析方法。该方法首先利用深度神经网络获得文本样本的分布式表示,而后基于深度高斯过程,从辅助数据中迁移与测试集数据分布相符的高质量样例扩充训练数据集用于分类器训练,以此提高文本情感分类系统性能。在COAE2014文本情感分类数据集上进行的实验结果显示,该文提出的方法可以有效提高文本情感分类性能,同时可以有效缓解训练数据的样本偏置以及领域依赖问题的影响。     

微博情感分析综述

随着微博用户数量的快速增长,微博中所携带的一些情感和观点对社会的影响越来越大,尤其是一些涉及到公众人身安全的负面情绪,可能会影响到社会的稳定,因此进行微博情感分析意义重大。微博情感分析的内容包括微博语料的获取、微博语料的预处理和情感分析方法等,常用的情感分析方法有基于情感词典的方法、基于机器学习的方法和基于深度学习的方法。随着注意力机制在NLP领域的广泛使用,很多研究者开始将注意力机制融合到深度学习模型中进行情感分析,这使得情感分析的准确率得到了很大的提升。谷歌提出的BERT模型本质上也是基于注意力机制实现的,BERT模型在情感分析领域取得了突破性的进展。     

基于比较学习的情感分析方法研究

情感分析是指通过提取文本特征对基于文本的情感倾向进行分类，是自然语言处理领域中的一项重要任务。为了提高文本情感分析的性能，该文将分类任务定义为一个比较问题，并提出了基于比较学习(Comparing to Learn, C2L)的分类模型。C2L的目标是通过与已标注的样本进行比较来对句子进行评分，实际上，通过比较方法进行分类比训练一个过于复杂的模型更加有效。在两个常用数据集上的实验结果表明，C2L的性能优于现有的许多模型；通过调整C2L的内部结构，可以在不同的任务和数据集上取得好的表现。     

基于深度神经网络的微博文本情感倾向性分析

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.     

基于改进BERT的景点评论情感分析

针对景点推荐领域评论的情感信息未得到充分利用的现状,文章融合残差网络和双向长短期记忆网络提出了一种改进的BERT模型。深度学习模型BERT以无监督的学习方式,通过后续的任务来完成推理和判断,而在语义层面忽略特定领域知识。该文研究多头残差网络（Multi-head residual network,MRN）,可以从多个层面上学习情绪特征,在补充领域知识的同时避免深度神经网络退化,利用BERT预训练模型提供语义特征,动态地将语句的情感嵌入到模型中,并将各层次模型输出的特征与双向长短期记忆网络的输出数据进行特征融合,得到最终的文本情感。该模型对比BERT预训练模型、BERT-BiLSTM模型、BiLSTM模型和卷积神经网络CNN的实验结果,最后得到的F1值和准确率都有显著提高。由此认为,BERT-MRN模型的情感极性分析能力有较好的提升,可以更好地分析景点评论的情感信息。     

基于深度学习的智能问诊系统设计与实现

基于深度学习框架,以智能问诊为研究对象,设计并实现了一个基于深度学习的智能问诊系统。整个系统的主要功能包括数据预处理、特征提取和问句分类。建立高质量用户训练问答库,问答库与专家知识进行结合,实现智能问诊。基于FastText+BERT模型构建知识图谱,同时对问答库进行训练,搭建了一个医疗问题知识库;建立深度学习医疗模型,实现问诊量统计分析。结果表明,该系统可以提高医生对问题的理解程度和识别率。