基于样本空间分布距离的支持向量机

由于支持向量机（ Support Vector Machine,SVM）在处理样本不平衡分布时会有偏向性,使少数类别的分类错误率的上界高于多数样本类别。分析总结了针对该问题当前的研究方法,并指出存在问题。研究分析针对不平衡样本SVM分类识别率的倾向性问题。考虑全局样本信息,提出了3种针对所有样本空间分布距离信息的方法。在UCI数据集上进行实验,结果证明MSEDR－SVM（ Mean Sample Euclidean Distance Ra?tio－SVM）能够有效增加少数样本类别的F －值。从而改善标准的SVM只依靠支持向量样本构建分类超平面的局限性。     

向量-距离算法

向量-距离算法(V-D算法)的思路很简单,它通过周期性地向外广播路径刷新报文来实现。广播报文中主要内容是二维矢量(V,D)构成的向量列表清     

基于距离向量的本原σ-LFSR序列研究

距离向量是本原σ-LFSR序列的重要参数,但目前关于距离向量的研究还很少。该文基于距离向量,首先证明了m=2时采样猜想是正确的,然后对本原σ-LFSR的采样性质进行了研究,最后给出了Z本原σ-LFSR序列和本原σ-LFSR序列新的构造方法。     

基于距离向量的编队目标灰色精细跟踪算法

为了解决编队目标精细跟踪的难题,提出一种基于距离向量的编队目标灰色精细跟踪算法.首先提取点迹和编队个体航迹的距离信息建立距离向量,然后基于距离向量形成多个点航映射组合,最后利用灰度理论从映射组合中选出最优组合作为精细互联结果,并利用Kalman滤波完成编队内各目标航迹的状态更新.经仿真验证,与传统多目标跟踪算法中性能优...     

基于距离向量深度的多约束路径选择算法

 为各种应用提供不同的服务质量(Quality of Service,QoS)保证是下一代高速网络面临的一个重要难题,而服务质量路由(Quality of Service routing,QoSR)则是其中的一项核心技术.本文针对不精确状态信息下的多约束QoSR问题,建立了一种用于求解此类多约束QoSR问题的临界点模型,提出了一种基于距离向量深度的多约束QoS路径选择算法(MCPSA),该算法以已有的QoS路由预计算算法为基础,设法选择一条能够最大程度适应不精确网络状态信息的路径,理论分析表明该算法具有一定的优势.最后,结合已有的路由预计算算法进行了大量的仿真试验,结果表明MCPSA具有很强的问题求解能力,能够有效克服路由状态信息的不确定性.     

基于方向向量空间距离的干涉仪测向处理方法

本文提出了一种基于测向天线阵列阵列流形上方向向量的空间距离的干涉仪测向处理方法,利用该方法不用对长基线上的相位差测量数据进行匹配,而通过利用测得的一组有模糊的相位差数据构成的方向向量的估计值与阵列流形上的方向向量求空间距离,即可得到入射方位角的估计。与以往相比该方法不用进行数据匹配,并可避免匹配误差的传播,同时,该方法可以直接进行阵列流形误差的修正,因而具有处理简单、稳健、精度高等特点。     

基于支持向量机的网络评论情感分析方法

本文提出了一种基于支持向量机的情感分析方法,首先用python对网页评论信息进行抓取,然后词向量Word2vec模型表示词语及句子,最后用基于支持向量机的情感分析方法对评论中的正面、负面和中性情感进行分类。实验结果表明提出的方法对网络评论情感分析的准确率较高。     

本原s-LFSR序列距离向量的计算

证明了本原s-线性反馈移位寄存器(s-LFSR)序列距离向量的计算与有限域上离散对数的计算等价,同时给出一个本原s-LFSR序列距离向量的计算方法。还给出一类特殊本原s-LFSR序列距离向量的计算方法,该方法将有限域上离散对数的计算转化到其子域上离散对数的计算,复杂度显著降低。     

基于社会情感优化算法的支持向量机参数选择

支持向量机(SVM)是广泛应用于分类和回归问题的机器学习方法。SVM做分类预测时的分类精度主要取决于参数的选择,参数选择不当将出现"过学习"或"欠学习"的情况,且容易陷入局部最优解。社会情感优化算法(SEOA)加入了人类情感因素,是一种新颖的智能优化算法,有着良好的全局优化能力。提出基于SEOA的SVM参数选择方法,同时优化核函数参数和惩罚参数。实验采用4组UCI数据集进行测试,并将SEOA算法与遗传算法、粒子群优化算法进行仿真测试结果对比。试验结果表明,SEOA较大地提高了SVM算法的寻优能力,收敛性较好,具有更高的分类精度和更少的搜索时间。     

本原σ-LFSR序列距离向量的计算

证明了本原σ-线性反馈移位寄存器(σ-LFSR)序列距离向量的计算与有限域上离散对数的计算等价,同时给出一个本原σ-LFSR序列距离向量的计算方法。还给出一类特殊本原σ-LFSR序列距离向量的计算方法,该方法将有限域上离散对数的计算转化到其子域上离散对数的计算,复杂度显著降低。     

文本情感分析研究综述

对文本情感分析的研究现状与进展进行总结。从情感分析的任务情感分类、情感检索、情感抽取3个方面详细介绍了相关研究和技术方法,重点阐述了基于语义的情感词典分类方法和基于机器学习的情感分类方法,并介绍了文本情感分析的评测,提出了未来的研究方向。     

Intensified Sentiment Analysis of Customer Product Reviews Using Acoustic and Textual Features

Sentiment analysis incorporates natural language processing and artificial intelligence and has evolved as an important research area. Sentiment analysis on product reviews has been used in widespread applications to improve customer retention and business processes. In this paper, we propose a method for performing an intensified sentiment analysis on customer product reviews. The method involves the extraction of two feature sets from each of the given customer product reviews, a set of acoustic features (representing emotions) and a set of lexical features (representing sentiments). These sets are then combined and used in a supervised classifier to predict the sentiments of customers. We use an audio speech dataset prepared from Amazon product reviews and downloaded from the YouTube portal for the purposes of our experimental evaluations.     

User-Level Sentiment Evolution Analysis in Microblog

People＇s attitudes towards public events or products may change overtime,rather than staying on the same state.Understanding how sentiments change overtime is an interesting and important problem with many applications.Given a certain public event or product,a user＇s sentiments expressed in microblog stream can be regarded as a vector.In this paper,we define a novel problem of sentiment evolution analysis,and develop a simple yet effective method to detect sentiment evolution in user-level for public events.We firstly propose a multidimensional sentiment model with hierarchical structure to model user＇s complicate sentiments.Based on this model,we use FP-growth tree algorithm to mine frequent sentiment patterns and perform sentiment evolution analysis by Kullback-Leibler divergence.Moreover,we develop an improve Affinity Propagation algorithm to detect why people change their sentiments.Experimental evaluations on real data sets show that sentiment evolution could be implemented effectively using our method proposed in this article.     

基于TSCM模型的网络短文本情感挖掘

针对网络短文本情感挖掘问题,提出一种新的基于LDA和互联网短评行为理论的主题情感混合模型TSCM,TSCM模型中的整篇评论中每个句子的主题分布是不同的,TSCM产生词的流程是先确定词的情感极性,再确定词的主题,TSCM考虑了词与词之间的联系.真实数据集Movie与Amazon上的大量实验表明,与代表性算法JST、S-LDA、D-PLDA和SAS相比较,TSCM模型能对用户真实情感与讨论主题进行更加有效的分析建模.     

面向情感分析的深度学习技术研究浅析

文本情感分析为当前自然语言处理领域的热点技术,文章首先简要概述了情感分析的概念及其分类,然后详细综述了面向方面情感分析的深度学习模型的基本概念及特点,最后对主要内容进行了总结展望。     

中文文本情感倾向性五元模型研究

目前,情感倾向性判断正成为文本信息服务技术研究的热点和难点之一,而＂中文文本情感倾向性观点＂表示模型是文本情感倾向性判断的基础。情感倾向性五元模型从情感倾向性观点的持有者、倾向性的来源、倾向性的指向、倾向性的立场和倾向性的种类五个方面刻画中文文本情感倾向性的概念,丰富了情感倾向性的表示方法,提高了文本情感倾向性判断的精度,并以此为基础给出了句子级文本情感倾向性判断的定义和过程。     

社会标签情感分析的个性化影视推荐算法研究

提出了一种在标签中引入情感分析的个性化推荐算法,该算法在两个共享资源的相似度计算中考虑了情感因子以改进已有的推荐算法。在实际数据集上比较了多种个性化推荐算法的命中率,实验结果证明了已提出算法的先进性。     

基于Transformer编码器的金融文本情感分析方法

目前针对文本情感分析的研究大多集中在商品评论和微博的情感分析领域,对金融文本的情感分析研究较少。针对该问题,文中提出一种基于Transformer编码器的金融文本情感分析方法。Transformer编码器是一种基于自注意力机制的特征抽取单元,在处理文本序列信息时可以把句中任意两个单词联系起来不受距离限制,克服了长程依赖问题。文中所提方法使用Transformer编码器构建情感分析网络。Transformer编码器采用多头注意力机制,对同一句子进行多次计算以捕获更多的隐含在上下文中的语义特征。文中在以金融新闻为基础构建的平衡语料数据集上进行实验,并与以卷积神经网络和循环神经网络为基础构建的模型进行对比。实验结果表明,文中提出的基于Transformer编码器的方法在金融文本情感分析领域效果最好。     

面向时序感知的多类别商品方面情感分析推荐模型

电子商务网站中的评论数据隐含着商品特征和用户情感,现有基于方面情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户方面偏好,忽略了不同类别商品有不同方面以及用户的方面偏好随时间变化的特点。对此,该文提出一种面向时序感知的多类别商品方面情感分析推荐模型,该模型对用户、商品类别、商品、商品方面、方面情感和时间统一建模,以发现用户对不同类别商品的方面偏好随时间变化的特点,并据此做出推荐。该模型能够推断用户在任意时间对商品的方面偏好,从而为用户提供可解释的推荐。两个真实数据集的实验结果表明,与其它基于时间或方面情感分析的推荐模型相比,该文提出的模型在top-N推荐准确率和召回率评价指标上均获得显著改善。