情感类谈话节目的受众分析研究

情感类谈话节目在近些年来越来越受到广大观众的欢迎,其原因是由于当前社会属于过渡时期,人们有不同的情绪不同的需求,也呈现出多样化的趋势,人们需要在生活中找到发泄的窗口。在本文中,从情感访谈节目和观众,其从研究四个方面的主要内容之间的沟通分析的角度,研究方法主要是基于定性研究。首先,通过对谈话节目的简要介绍来带入情感谈话节目,并分析和讨论了它的意义及其社会背景的定义;第二,从传播学的角度,剖析了情感谈话节目的传播和受众的接受过程,分为两个：传播者和接受者;第三,对影响受众审美的各种因素进行系统的分析,主要通过传播和接受者这两点进行剖析讨论;第四,分析情感类谈话节目对受众的影响。     

WEB文本情感倾向性分析研究综述

主要针对文本情感倾向性分析近年来的研究进行总结。首先介绍主客观文本分析的内容,接着从词语级、短语级、句子级、篇章级,介绍了文本情感倾向分析近些年的一些技术和研究,对其各自的优缺点进行概括。最后对文本情感倾向性分析进行总结,提出对未来研究的想法。     

阅读教学中多媒体课件的运用

语文课程标准指出：“工具性和人文性的统一,是语文课的基本特点。”这说明语文教学的工具性和人文性是相融共存的,犹如一枚硬币的正反两面,谁也不可或缺。本文从实际的案例入手,着重呼唤人文的多媒体阅读教学的回归。     

KENAOTE：一种知识增强的方面和意见对提取多任务学习模型

方面和意见对提取旨在根据给定句子提取方面和意见项并匹配关系,然而相关研究通常独立提取方面和意见项,而不识别关系。为了识别方面和意见项关系,提出一种知识增强的方面和意见对提取多任务学习模型。首先使用预训练语言模型为文本生成具有语义信息的词向量,为了实现知识增强的效果,使用遮蔽注意力的方式将知识图谱的语义信息融入词向量中,然后使用基于距离注意力和条件随机场的序列标注方法提取方面和意见项,最后再将提取的方面和意见项两两匹配预测对应关系。为了加强方面和意见项提取模块和匹配模块的联系,采用共享编码层的方式实现联合训练。在训练流程中,匹配模块采用真实标签作为输入,在测试过程中采用提取模块的结果作为输入。为了证明模型的有效性,使用三个通用领域数据集进行对比实验,该模型在方面和意见项匹配任务中F1值分别达到66.99%、75.17%和67.30%,并优于其他比较模型。     

融合位置信息的观点三元组情感分析模型

方面级情感分析主要有两大类任务：a)抽取任务,旨在抽取出语句中的方面词及观点词;b)分类任务,旨在分析情感极性。在这两种复合任务的基础上,针对目前方面词与观点词耦合性较差,导致分类任务出错这一问题,提出了融合位置信息的观点三元组情感分析模型OTPM。该模型利用双向长短时记忆网络获得文本表示,接着利用自注意力机制来增强方面词与情感词之间的关联性,之后在多任务框架中进行观点三元组的抽取,同时将抽取出的表示与位置信息进行加权融合,最后利用biaffine评分器分析加权后的方面词与观点词之间的情感依赖关系,并利用stop-on-non-I算法对三元组进行解码输出三元组。在Lap14、Rest14、Rest15、Rest16四个数据集上进行大量实验,结果表明所提模型优于一系列基线模型。     

多模态情感分析算法综述

多模态情感分析作为近年来的研究热点,比单模态情感分析具有更高的稳定性和准确率.介绍了多模态情感分析研究背景,分别对基于文本的、基于音频的和基于视频的单模态情感算法分析进行了阐述,又讲解了多模态的3种融合方法:特征级融合、决策级融合和混合融合以及相关算法,并分析了多模态情感分析存在的问题.     

基于注意力机制和BiGRU融合的文本情感分析

针对简单的神经网络缺乏捕获文本上下文语义和提取文本内重要信息的能力,设计了一种注意力机制和门控单元(GRU)融合的情感分析模型FFA-BiAGRU.首先,对文本进行预处理,通过GloVe进行词向量化,降低向量空间维度;然后,将注意力机制与门控单元的更新门融合以形成混合模型,使其能提取文本特征中的重要信息;最后,通过强制向前注意力机制进一步提取文本特征,再由softmax分类器进行分类.在公开数据集上进行实验,结果证明该算法能有效提高情感分析的性能.     

基于用户兴趣词典和LSTM的个性化情感分类方法

微博是一个可以分享生活、发表看法、发泄情感的社交平台,由于数据量大且易于获取,微博数据已被广泛用于网络用户情感分析.传统对微博进行情感预测的研究没有考虑用户的用词喜好、语言风格等个性化因素的影响,使得情感分类结果的准确性不高.首先通过分析用户兴趣特征构建用户兴趣词典,在此基础上提出基于用户兴趣词典的情感分类模型;然后利用长短期记忆网络(Long Short-Term Memory,LSTM)分类准确性高的特点训练一个通用的LSTM分类模型;最后利用支持向量机融合不同模型以得到最终的情感分类结果.实验结果表明,与支持向量机、朴素贝叶斯等传统分类器相比,基于用户兴趣词典与LSTM的个性化情感分类方法在分类精度上有较大提升;与LSTM、循环神经网络等深度学习方法相比,该方法在保证运行效率的前提下能获得更高的分类精度.     

大学生就业忠诚度培养模式重建探究

面对高等院校毕业生就业过程中日渐凸显的“高就业高流失”现象,以及由此引发的有关大学生就业忠诚度缺失的问题,用人单位将其原因指向高等院校就业指导教育的欠缺以及“先就业后择业”等就业观的不良影响。结合某高校应届毕业生实际情况,围绕完善就业指导体系、抓好诚信教育、重视情感教育等方面,探究高校毕业生就业忠诚度培养模式的重建问题。     

宋词中的“水”意象分析

“水”是宋词中的常见意象之一,“水”不仅与“烟”“雁”“舟”等意象组合,营造或苍茫或清远的意境,而且蕴涵着词人丰富的思想感情。临水送别,客子行舟,宋词中的“水”浸满了离别相思人的眼泪;逝者如川,春秋代序,多愁善感之人感时伤怀,叹兴衰荣枯;水空明清澈,洗濯被尘俗所污的心灵,表达了士人对摆脱世事、归隐田园的向往。宋词中的“水”意象出现频率较高的原因是水的清明灵动与词体“要眇宜修”的特点相通。