基于电商评论文本的用户情感分析

随着电商行业的迅猛发展,网络购物如雨后春笋般迅速崛起,网购评论数据爆炸式增长,准确挖掘并利用这些能反映消费者情感倾向的信息,已成为商家改进产品质量、提升竞争力不可或缺的手段.该文以国产品牌小米手机为研究对象,利用Python软件爬取天猫商城中的评论信息,对爬取的天猫商城评论数据进行情感分析,分别对正、负面评论构建LDA...     

服装电商评论情感分析研究

本文讨论了电商评论情感分析流程及其在服装电商评论中的应用.首先,提出一种电商评论情感分析流程;其次,对爬取到的服装电商评论进行分词和语义标注;然后,根据通用情感词库设计并实现了服装电商评论情感词典,并通过服装电商评论分词结果进行对比和完善;进而,基于语义计算规则,采用线性回归模型和支持向量机回归模型对服装电商评论情感值进行研究;最后,通过对比平均绝对误差、均方差误差、均方根误差研究评论的情感倾向与销量的关系.实验结果表明,语义情感强度值在支持向量机回归模型下可以以相对小的误差来预测销量,前3页评论对用户购买行为的影响较大.     

文本情感分析在网购评论中的应用前景

结合网购评论文本的特点,分别从网购评论文本情感信息的抽取、分类以及情感信息的检索与归纳三个方面来阐述文本情感分析在网购评论领域的实际应用前景。其中,网购评论文本情感信息的抽取和分类是进行网购评论文本情感信息检索与归纳的基础,而网购评论文本情感信息检索与归纳是与用户直接交互的接口,也是最具有实用价值和商业价值的部分。     

文本情感分析在网购评论中的应用前景

结合网购评论文本的特点,分别从网购评论文本情感信息的抽取、分类以及情感信息的检索与归纳三个方面来阐述文本情感分析在网购评论领域的实际应用前景.其中,网购评论文本情感信息的抽取和分类是进行网购评论文本情感信息检索与归纳的基础,而网购评论文本情感信息检索与归纳是与用户直接交互的接口,也是最具有实用价值和商业价值的部分.     

融合词性特征的深度迁移学习商品评论情感分析

情感分析是文本分类的研究方向,深度迁移学习通过学习目标领域数据和已有领域数据之间的相关度,提高当目标数据不足时文本分类的精度。从基于网络迁移的角度设计算法,首先使用Word2vec+词性特征词向量表示,然后进行卷积神经网络文本分类,再将训练好的模型共享网络参数,迁移至跨域商品评论数据,训练、分类评论数据。实验证明,在小样本数据集中算法精度有明显提升。     

基于深度学习的情感分析技术

随着大数据的分析与研究的热潮,深度学习已经成为人工智能技术不可分割的一部分,如自然语言处理,计算机视觉,语音识别等技术的发展都与深度学习息息相关。大量研究表明,深度学习已经成为一种趋势,是人工智能技术不断发展的不竭动力。因此,文章主要对深度学习以及其在自然语言处理中的文本情感分析技术上的研究与应用做一个简单的介绍,首先介绍情感分析和深度学习的概念,然后阐述一下深度学习在情感分析技术上的研究和应用,最后总结一下深度学习对情感分析技术的影响。     

基于ALBERT-CNN的外卖评论情感分析

为了解决如何获取文本的位置信息和捕获文本中更多情感信息的问题,利用一种结合ALBERT模型和卷积神经网络CNN的外卖评论情感分析模型ALBERT-CNN的方法。首先,ALBERT对文本词向量表示,获得文本动态特征表示;其次,利用卷积神经网络CNN对特征进行训练,有效获取更丰富的局部信息;最后,对ALBERT和CNN进行融合后提取的特征通过Softmax函数对外卖评论文本进行情感分类,并使用R＿Drop对模型进行正则化。实验结果表明,与传统模型相比,使用了R＿Drop的ALBERT-CNN模型的精确度P、召回率R和F1值均有提高。     

基于LDA-LSTM模型在线课程评论情感分析研究

终身化学习背景下,MOOC作为普及性在线学习形式已受到学术界的日益关注。同时,MOOC课程质量与学习者满意度问题亟待解决。研究基于理性选择理论与联通主义理论构建LDA-LSTM深度主题情感分析模型,进而挖掘学习者理性因素与情感极性。实验结果表明,学习者考虑的因素主要具备全面性与多样性的特点;学习者对教师与学习效果普遍给予肯定评价,较少负面评价则针对教师授课风格、课程资源与平台服务质量。研究据此给出了建议策略。     

基于领域情感词典的中文微博情感分析

为了分析中文微博中海量的情感信息,文中提出了一种中文微博情感分析策略,能够有效分析出微博中的情感倾向。为了能准确分析出某领域微博情感倾向,本文构建了领域情感词典,具有自动识别、扩展等功能,减少了人工标注的繁琐。同时考虑到上下文中情感副词等影响,构建了情感副词词典,更加全面的分析情感倾向。最后通过实验表明本文提出的基于领域情感词典的分析策略有一定的可行性和准确率。     

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。     

基于多维扩展特征与深度学习的微博短文本情感分析

该文提出了一种基于深度信念网络(DBN)和多维扩展特征的模型,实现对中文微博短文本的情感分类。为降低传统文本分类方法在处理微博短文时特征稀疏的影响,引入社交关系网络作为扩展特征,依据评论者和博主之间的社交关系,提取相关评论扩展原始微博,将扩展后的多维特征作为深度信念网络的输入。通过叠加多层玻尔兹曼机(RBM)构建DBN模型底层网络结构,多层玻尔兹曼机可以对原始输入抽象并获得数据的深层语义特征。在多个RBM层上叠加一层分类玻尔兹曼机(ClassRBM),实现最终情感分类。实验结果表明,通过调整模型参数和网络结构,构建的深度学习模型在情感分类中能够获得比SVM和NB等浅层分类系统更优的结果,另外,实验证明使用扩展多维特征方法可提高短文本情感分类的性能。     

商家评论的情感分类研究和应用

大多数基于有指导机器学习方法的情感分类采用N元(n-gram)词袋(bag-of-words)模型,使用二值(binary)作为特征项的权重。本文系统地分析了信息检索中常用的特征权重计算方法,并从项频、倒文档率、归一化因子等角度加以借鉴和改进,研究其在商家评论上的应用。最主要的改进在于考虑了特征项在不同类别中分布情况的差异以及对倒文档率的平滑。在餐饮评论语料上的实验结果表明,经典的tf.idf若干变形,尤其是倒文档率类差异(delta idf)及平滑因子(smoothing factor)的引入,能有效提高分类准确率。在酒店、电脑、书籍等领域的在线评论公开数据集上也取得了较好的性能,证明了方法的普遍适用性。这一方法目前已经在中国电信号码百事通业务中用于餐饮商家及优惠券推荐,效果良好。     

基于深度学习机制的火警协议智能分析模型

火灾自动报警器品牌和型号众多,不同品牌或型号的数据协议均有所不同,这为智慧消防的信息集成增加了难度。为解决这一问题,文中提出一种将深度学习技术与火警协议分析模型相结合的SSAESMFA模型。该模型基于栈式稀疏自动编码器和Softmax回归,能够通过对已知消防设备的协议数据进行深度学习,实现对未知协议数据的识别。经过训练,SSAESMFA对协议数据的识别准确率能达到99.83%,实验表明,该模型有较高的对消防设备协议数据的特征提取分类能力,可有效提高智慧消防的信息集成效率。     

基于深度学习和空间分析的港口识别

针对港口难以自动识别的问题,在高分辨率可见光遥感影像上将深度学习和地理空间分析相结合,提出了船舶-码头-港口递进式识别模型.首先,对构建的码头样本数据集进行数据增强,并用增强后的数据集来训练YOLO v3算法.然后,在大幅遥感影像上利用滑动窗口进行多尺度识别,获取影像底层特征以计算出码头类别和像素坐标.最后,将码头点位...     

基于深度学习的学习行为感知研究

文中探讨了如何利用深度学习技术解决在线教育中的学生情绪识别问题,首先介绍了卷积神经网络的结构和训练过程,然后介绍了AffectNet数据集的特点,接着详细描述了CNN在人脸识别和情绪识别中的应用,以及模型训练和评估方法。实验结果表明,在使用AffectNet数据集进行情绪识别的实验中,CNN模型可以实现较高的准确率、精确率、召回率和F1分数,达到了预期的效果,有望应用于智能教育领域,以提高课堂教学效果。     

基于深度学习的点云分割研究进展分析

深度传感器及激光扫描技术的快速发展使人们可以轻易地采集到大量的点云数据。点云数据可以提供丰富的场景及对象信息,现已成为自动驾驶、虚拟现实、机器人导航等应用的首选研究对象。作为点云处理的有效手段,点云分割技术受到了各界的广泛关注。尤其是在深度学习的推动下,点云分割的精度和鲁棒性有了很大的提升。该文首先介绍了点云分割存在的问题与挑战,接着从间接、直接处理点云的角度对点云分割近年来的工作进行了对比分析,其中,间接的方法有基于多视图、基于体素的方法两类,对于直接的方法,该文将其归纳为5类,分别为基于点处理、基于优化卷积神经网络、基于图卷积、基于时序和基于无监督学习的方法。然后介绍了每个类别中具有代表性的方法的基本思想,并阐述了每个方法的优缺点。此外,该文还介绍了点云分割的常用数据集以及评价指标。最后对点云分类、分割技术的未来进行了展望。     

基于深度学习的LBlock安全性分析及其应用

目前通过深度学习对轻量级分组密码进行安全性分析正成为一个全新的研究热点。Gohr在2019年的美密会上首次将深度学习应用于分组密码安全性分析(doi: 10.1007/978-3-030-26951-7_6),利用卷积神经网络学习固定输入差分的密文差分分布特征,从而构造出高精度的神经网络区分器。LBlock算法是一种具有优良软硬件实现效率的轻量级分组密码算法,自算法发表以来受到了研究者的广泛关注。该文基于残差网络,构造了减轮LBlock差分神经网络区分器,所得7轮和8轮区分器模型的精度分别是0.999和0.946。进一步利用构造的9轮区分器,提出了针对11轮LBlock的密钥恢复攻击方案。实验结果表明,当密码算法迭代轮数较少时,该方案进行攻击时无需单独考虑S盒,相比于传统攻击方案具有方案流程简单和易于实现等特点,并且在数据复杂度和时间复杂度方面具有较大的优越性。     

基于深度学习的HRRP舰船目标识别性能分析

针对分辨率、信噪比、补零及深度置信网络等对深度学习舰船目标识别性能的影响问题,文中开展了基于实测数据的相关实验分析,整个实验分析处理过程包括回波信号对齐、数据脉冲压缩、信号能量归一化、深度学习模型训练、分类器设计及判决输出。实验分析结论为深刻理解基于深度学习的高分辨距离像舰船目标识别技术原理内涵,开展舰船目标识别工程化应用设计奠定了坚实的基础。