基于情绪知识的中文微博情感分类方法

通过对新浪微博文本进行情感信息方面的分析与研究,提出一种基于情绪知识的非监督情感分类方法。利用情绪词和表情图片 2种情绪知识对大规模微博非标注语料进行筛选并自动标注,用自动标注好的语料作为训练集构建微博情感文本分类器,对微博文本进行情感极性自动分类。实验结果表明,该方法对微博文本的情感极性分类达到较好的效果。     

基于词典的中文微博情绪识别

微博等社交媒体已成为表达个人情绪和感受的重要平台。自动分析微博文本表达的情绪对于迅速了解大众情绪走向以及调节个人情绪有着重要的意义。文中首次针对中文微博中的情绪进行自动分析,识别微博表达的喜、哀、怒、惧情绪。提出以词典为依据的基于规则的方法,通过实验详细分析了中文情绪词典在社交媒体文本分析中的现状,讨论了存在的主要问题。并深入讨论了微博中情绪表达的语言特点,为建立高精度的情绪分析系统提供了依据。     

基于字词融合特征的微博情绪识别方法

文本情绪识别是自然语言处理问题中的一项基本任务。该任务旨在通过分析文本判断该文本是否含有情绪。针对该任务,提出了一种基于字词融合特征的微博情绪识别方法。相对于传统方法,所提方法能够充分考虑微博语言的特点,充分利用字词融合特征提升识别性能。具体而言,首先将微博文本分别用字特征和词特征表示;然后利用LSTM模型(或双向LSTM模型)分别从字特征和词特征表示的微博文本中提取隐层特征;最后融合两组隐层特征,得到字词融合特征,从而进行情绪识别。实验结果表明,该方法能够获得更好的情绪识别性能。     

面向微博的社会情绪词典构建及情绪分析方法研究

该文旨在探索一种面向微博的社会情绪词典构建方法,并将其应用于社会公共事件的情绪分析中。首先通过手工方法建立小规模的基准情绪词典,然后利用深度学习工具Word2vec对社会热点事件的微博语料通过增量式学习方法来扩展基准词典,并结合HowNet词典匹配和人工筛选生成最终的情绪词典。接下来,分别利用基于情绪词典和基于SVM的情绪方法对实验标注语料进行情绪分析,结果对比分析表明基于词典的情绪分析方法优于基于SVM的情绪分析方法,前者的平均准确率和召回率比后者分别高13.9%和1.5%。最后运用所构建的情绪词典对热点公共事件进行情绪分析,实验结果表明该方法是有效的。     

面向微博文本的情绪标注语料库构建

文本情绪分析研究近年来发展迅速,但相关的中文情绪语料库,特别是面向微博文本的语料库构建尚不完善。为了对微博文本情绪表达特点进行分析以及对情绪分析算法性能进行评估,该文在对微博文本情绪表达特点进行深入观察和分析的基础上,设计了一套完整的情绪标注规范。遵循这一规范,首先对微博文本进行了微博级情绪标注,对微博是否包含情绪及有情绪微博所包含的情绪类别进行多标签标注。而后,对微博中的句子进行有无情绪及情绪类别进行标注,并标注了各情绪类别对应的强度。目前,已完成14000条微博,45431句子的情绪标注语料库构建。应用该语料库组织了NLP&CC2013中文微博情绪分析评测,有力地促进了微博情绪分析相关研究。     

基于句法信息的微博情绪识别方法研究

情绪识别旨在自动识别文本是否含有情绪。情绪识别是情感分析研究中的一项基本任务。针对该任务,提出了一种基于句法信息的微博文本情绪识别方法。该方法的特色在于充分考虑了微博文本的句法信息。 具体实现中,首先利用词性标注(POS)序列和结构句法树来表示句法信息,以分别提取POS序列模式、重写规则和二元句法标签作为特征进行文本表示;然后利用最大熵分类算法对微博文本进行情绪识别。实验结果表明, 所提方法能够获得较好的识别效果。     

基于多线索混合词典的微博情绪识别

微博等社交媒体为人们情绪表达提供了重要平台,分析微博的情绪倾向具有重要的商业价值和社会意义。文中提出了基于词典的规则方法识别微博所表达的喜、哀、怒、惧、恶、惊六种情绪。针对情绪表达的重要线索表情符利用互信息法生成了表情符词典,与传统情绪词典相结合,制定了针对否定用法的规则对微博进行分析。建立了第一个包含六种情绪的人工标注微博数据集。实验表明,传统的情绪词典虽然收录了大量词汇,但对于社交媒体文本分析的准确率和覆盖率都不高。表情符词典的应用显著地提高了微博情绪分析的精度和覆盖率。     

一种基于情绪激励度的情绪词加权方法

在不同的上下文中,情绪词对情绪的激励程度会发生变化。现有情绪词典中大多数只标注了情绪词的情绪类别而未涉及情绪词的激励度。在极少数标注情绪强度的词典中,所标注的强度未考虑上下文的影响。提出一种根据上下文形成的情境评估情绪词对情绪的激励程度并据此对情绪词加权的方法。通过比较情绪词的共现模式与自身情绪类的分布模式计算情绪词的激励程度。然后根据激励程度计算情绪词的情绪权重并将其用于微博情绪识别。实验结果表明,与现有词典中的情绪强度相比,本文方法计算的情绪权重更准确地描述了情绪词在语料中表达的情绪,有效地提高了情绪分析的精度。并且本文方法还能够有效综合多个词典的优势,进一步提高微博情绪分析的准确率。     

基于对抗式神经网络的多维度情绪回归

情绪分析是细粒度的情感分析任务,其目的是通过训练机器学习模型来判别文本中蕴含了何种情绪,是当前自然语言处理领域中的研究热点.情绪分析可细分为情绪分类与情绪回归两个任务.针对情绪回归任务,提出一种基于对抗式神经网络的多维度情绪回归方法.所提出的对抗式神经网络由3部分组成：特征抽取器、回归器、判别器.该方法旨在训练多个特征抽取器和回归器,以对输入文本的不同情绪维度进行打分.特征抽取器接受文本为输入,从文本中抽取针对不同情绪维度的特征;回归器接受由特征抽取器输出的特征为输入,对文本的不同情绪维度打分;判别器接受由特征抽取器输出的特征为输入,以判别输入的特征是针对何情绪维度.该方法借助判别器对不同的特征抽取器进行对抗式训练,从而获得能够抽取出泛化性更强的针对不同情绪维度的特征抽取器.在EMOBANK多维度情绪回归语料上的实验结果表明,该方法在EMOBANK新闻领域和小说领域的情绪回归上均取得了较为显著的性能提升,并在r值上超过了所有的基准系统,其中包括文本回归领域的先进系统.     

基于统计数据的微博表情符分析及其在情绪分析中的应用

表情符作为一种新兴的网络语言,受到了越来越多的微博用户的青睐。微博中出现的表情符形象直观地表达了博主的情绪,对情绪分析起着至关重要的作用。首先对大量中文微博中表情符的使用特点、分布情况和情绪表达特点进行了统计分析。然后,人工选取具有代表性且情感倾向明确的表情符作为六类基本情绪的种子表情符。根据目标表情符和六类情绪的种子表情符在微博文本中的共现情况,为其建立六维情绪向量,并将其应用于微博情绪分析。在两个数据集上的实验结果表明,本文建立的表情符情绪向量有效地提高了微博情绪识别的精度。     

基于首饰产品的情感设计

在体验经济的今天,首饰产品在强调其装饰作用发挥的基础上,更多的则是作为一种表达情感和交流的方式存在。本文从产品设计的角度出发,基于用户研究和首饰佩戴环境研究,并结合相关理论以及具体实例分析了人、首饰与佩戴环境三要素之间的关系,说明首饰传达情感信息的必要性和重要性以及情感元素作用下的首饰价值的体现,同时对首饰的未来设计也起到了一定的借鉴作用。     

基于深度学习的目标人物情绪预测

针对目标人物的情绪变化, 本文提出了一种情绪预测方式对情绪进行识别、预测和分析. 在情绪预测前, 通过一种情绪定量算法对情绪数据集数据进行归一化处理, 以得到每种情绪对应的程度系数, 为下一步的情绪预测奠定基础. 然后汇总目标人物一天的情绪变化得到一种主要情绪, 再通过情绪预测算法得到最终的预测结果. 本文应用BERT (Bidirectional Encoder Representations from Transformers)神经网络对短对话进行情绪建模, 以做到对目标人物的实时情绪预测. 结果表明应用本文的训练模型, 可以有效判断目标人物的未来情绪波动状况.     

面向文本的情感迁移分析策略

情感的迁移变化是外界刺激与个体感知共同作用的结果,本文着重就个体感知进行了探讨。首先就文本中情感的迁移规律进行了分析,讨论了心情与人格要素对情感迁移的影响。在此基础上,采用将语言特征与情感间迁移规律相结合的方法,通过机器学习实现了文本的情感分类。实验结果表明,情感分类的精确率相对传统方法提高了9.21%,方法的有效性得到了证明。     

Emotion Disc and Emotion Squares: Tools to Explore the Facial Expression Space

In the paper we present two novel interactive tools, Emotion Disc and Emotion Squares, to explore the facial expression space. They map navigation in a two‐dimensional circle, by the first tool, or in two two‐dimensional squares, by the second tool, to the high‐dimensional parameter space of facial expressions, by using a small number of predefined reference expressions. They can be used as exploration tools by researchers, or as control devices by end‐users to put expressions on the face of embodied agents or avatars in applications like games, telepresence and education.     

基于流形特征的视频情感分析与识别

本文研究了基于Isomap的非线性降维方法,对由面部表情序列提取的面部动画参数特征进行降维,分析了降维后的流形特征空间与认知心理学情感空间之间的关系。实验结果表明,Isomap降维后的情感流形特征能够表现情感的强度变化,而且比PCA降维特征对情感强度的描述更加合理和平滑;情感识别实验也表明,使用Isomap降维流形特征的识别率要高于原始情感特征和PCA降维特征,而且对各种情感的识别结果更加均衡。     

虚拟智能体情感研究综述

分别从合成情感模型、个性模型以及合成情感具体行为表现等方面,介绍并分析了各类模型和方法的基本思想和关键技术;进而给出了若干具有代表性的虚拟智能体情感应用系统,并对如何将上述情感技术应用于虚拟智能体进行了总结;最后提出了未来虚拟智能体情感研究需解决的若干问题.     

文字图形中民族情感因素的表达

在当今图形化时代,文字与图形在设计领域尤其是平面设计当中,有着举足轻重的作用。中国的汉字延续传承了几千年,经历了多个历史阶段,具有独特的视觉魅力,从视觉传达角度说,汉字是在原始图形基础上演变而来的,其本身就具有图形之美,同时,又带有一定的民族情感因素,本文主要通过对文字图形化的民族特性、文字与图形的互融、文字图形化的视觉表现来论述文字在图形化时代的可行性。     

语音情感识别综述

人类的语音情感变化是一个抽象的动态过程,难以使用静态信息对其情感交互进行描述,而人工智能的兴起为语音情感识别的发展带来了新的契机。从语音情感识别的概念和在国内外发展的历史进程入手,分别从5个方面对近些年关于语音情感识别的研究成果进行了归纳总结。介绍了语音情感特征,归纳总结了各种语音特征参数对语音情感识别的意义。分别对语音情感数据库的分类及特点、语音情感识别算法的分类及优缺点、语音情感识别的应用以及语音情感识别现阶段所遇到的挑战进行了详细的阐述。立足于研究现状对语音情感识别的未来研究及其发展进行了展望。     

基于认知的情感多Agent交互建模研究

以多角色CVLE建模和角色情感为研究主线,在结合国内外虚拟环境、认知理论、情感理论、多Agent系统(Multi-Agent System,MAS)理论等相关文献基础上,针对CVLE具有多角色、开放式、协作性、感知性的特点,提出一种基于角色组织与感知的多Agent框架模型;针对虚拟角色认知与情感交互影响特点,提出了基于认知的情感交互建模,可实现具有开放式多角色的协同虚拟学习环境系统。     

基于社会网络的群体情绪模型

为了能够深入认识群体事件中群体情绪的演化过程,提出了基于社会人际关系的群体情绪模型构建方法。以小世界网络模型构建个体间社会关系,并通过引入情感关系参数表达现实生活中个体间的强情感、弱情感和陌生关系。基于Bosse等人提出的群体情绪模型,以社会网络作为情绪传播媒介对不同类别人际关系情境中群体情绪的演化态势进行了实验模拟,分析了近邻数K、重连概率P和情感关系R对群体情绪涌现所产生的影响。结果表明,情感关系越亲近、近邻数K越大,群体情绪最终的强度则越强烈,情绪涌现所需时间越短;重连概率P对群体情绪强度也有微弱影响,但作用并不十分显见。