融合Sentence-BERT和LDA的评论文本主题识别

[目的/意义]为了解决评论文本主题识别时语义描述不充分以及学习到的主题语义连贯性不强等问题。本文将Sentence-BERT句子嵌入模型和LDA模型相结合,提升评论文本主题的语义性。[方法/过程]采用Sentence-BERT模型获取评论文本句子层面的向量特征,同时,采用LDA模型获取评论文本的概率主题向量,随后使用自动编码器连接两组向量,运用K-means算法对潜在空间向量进行聚类,从类簇中获取上下文主题信息。[结果/结论]通过对评论文本数据集的实验,本文方法可以较好地获得具有语义信息的主题词。Sentence-BERT模型与LDA结合,增加了模型的复杂性。通过对比,本文方法获得的主题一致性指标(Coherence)优于目前常见的评论文本主题识别方法。

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。

从“数量名+NP”话题句看话题和述题的复杂依存关系

汉语“数量名+NP”在特定语境中可作话题,被赋予定指理解,但同时也凸显数量特征,是有标记话题。该结构要求述题须表达数量特征,但受句子体特征和语用因素影响其内部也有细微差别。“数量名”话题自身的特征与“话题—述题”的陈述关系决定结构对述题的要求,而述题的构造和语义也有助于话题指称类型的理解,二者相互依存。

语序与半虚功能词对汉语零动词存在句成句的制约作用

存在句一直是汉语语法研究的重点问题,一百年来产生了很多重要的研究成果,但对于句法上缺省B段动词的零动词存在句较少专文论述。文章提出,只有A段和C段的“NPL+NP2”既是名词谓语句的次类,也是存在句的次类。A段和C段分别表示处所和存在物,高层语义表存在,其述谓功能体现在半虚功能词必须确保句首名词表处所,句末名词表非特定事物的有无及多少。语序要求严格:一方面要满足表义上从整体到部分、从背景到图像的语序,另一方面要满足信息结构上从话题到说明的自然顺序。零动词存在句焦点结构与一般的有动词句不同,其焦点不是论元焦点,而是宽焦点,因此NP2不具有独立性,不能回指。

分布式光伏开发公众评论的情感倾向及引导策略

整县推进屋顶分布式光伏开发试点工作的实施,推动了分布式光伏的快速发展,也引发了公众在社交媒体上的热烈讨论,其中不乏有大量的负面评论。这些评论一方面映射了分布式光伏开发实际操作中存在的乱象和问题,另一方面也使公众对分布式光伏开发产生了极大的误解和偏见,进而阻碍了分布式光伏开发的进程。当前对分布式光伏开发公众认知和采纳意愿的研究以问卷调查为主,缺乏基于评论数据的研究。以整县推进屋顶分布式光伏开发为背景,基于抖音评论数据,利用情感分析与BERTopic主题建模方法,探讨了公众对分布式光伏开发的情感倾向及主题特征。研究结果表明,公众评论以负面为主,在时间上波动较大,且与媒体负面报道有较大的关联性,评论数量在空间上呈集中分布态势,与试点县域数量、分布式光伏开发进度密切相关;公众正面情绪主要源于国家推广力度及政府监管强度,负面情绪主要源于公众对“光伏骗局”的担忧。结合以上结果,从政府监管、舆论引导、后期保障三个方面提出了屋顶分布式光伏发展的政策建议。

视频弹幕评论舆情分析系统设计与实现

随着用户生成内容视频网站的普及,弹幕评论成为用户表达情感性意见的重要方式。弹幕评论的即时性和互动性为网络舆情分析提供了丰富的数据资源,但其匿名性和短文本的特点给数据分析带来一定的困难。设计视频弹幕评论网络舆情分析系统,能够有效识别和过滤异常用户,并进行情感分析,最终完成对弹幕评论的主题聚类和可视化展示。系统采用前后端分离架构,前端基于Vue框架,后端使用Django框架,数据存储采用MySQL数据库。通过对Bilibili视频网站弹幕数据的实验分析,验证了系统的有效性和稳定性,促进了网络舆情分析系统的发展。

CGRMB-LDA:面向隐式微博的主题挖掘

由于微博文本短、词量少、语法风格随意的特点,因此微博中包含大量因缺少主题词汇而无法分析话题归属的微博,即隐式微博。提出改进的基于LDA的生成模型考虑评论组和转发微博的CGRMB-LDA模型,利用微博间评论关系、转发关系和上下文关系扩展隐式微博,明确隐式微博的主题归属,采用吉布斯采样的方法来求解模型从而得到主题集和微博所属主题。在真实数据集上的实验表明,CGRMB-LDA模型能有效地对微博特别是隐式微博进行主题挖掘。

基于改进K-means聚类的在线新闻评论主题抽取

新闻评论反映民众对新闻事件的观点,抽取评论主题,对用户、企业、政府都具有很高的情报分析价值。基于K-means聚类的主题挖掘算法应用到新闻评论中时,在欧氏距离下,如果使用最大距离法选初始点则会聚成一大类。为解决这个问题,论文首先在预处理阶段增加同义词替换和自动构建领域词典的部分,改善了数据稀疏性和高维性。其次,提出了K-means改进算法,用隐藏长评论-最大距离法选初始点,解决了初始点多为离群点的问题,用方差拐点确定K值,解决了预先设定聚类个数的问题,实验发现了先用BW权重选初始点,再用新提出的BW-DF权重聚类的效果最好。最后,将改进算法与原算法的聚类效果比较,实验结果表明,改进算法准确率高,抽取新闻评论主题的效果明显。

从“话题-述题”看叙事语篇流水句的“断”与“连”

叙事语篇中,“话题-述题”的推进方式对流水句的断、连有较大影响。小句间不宜出现完结性停顿的“话题-述题”推进,至少有三种:第一,同话题延伸,后小句话题为零形式,且若干小句在同一层次上;第二,述题宾语延伸,且后小句话题为零形式;第三,其他话题延伸,且若干“话题-述题”之间存在明显的语义勾连。小句间以完结性停顿为宜的“话题-述题”推进,至少有两种:第一,同话题延伸,且后小句话题为名词性成分;第二,其他话题延伸,且前、后小句之间没有成分同指关系。此外,句法因素和篇章地位也对流水句的断连有影响。

基于情感分类与主题挖掘的MOOC课程评论研究

在线精品课程作为MOOC中的高质量教育资源,有效促进了教育公平和均衡发展。但在保持快速增长的态势时,仍存在质量参差不齐的困境。为促进教师深度反思,支持教学问题的诊断与改进,提升课程质量,构建在线精品课程评论情感分类与主题挖掘研究模型。首先,采用网络爬虫技术采集MOOC平台中25门“教育技术学”专业在线精品课程评论数据,并进行数据预处理和情感分类;其次,对负性课程评论进行词云分析、社会网络分析和主题挖掘。结果表明:教师教学能力、学习资源质量、课程内容设计、互动和反馈机制、课程考核评价是导致学生差评、影响课程学习体验和学习质量的主要因素。据此,提出促进在线教育中教师教学能力专业化提升、开发优质在线精品课程学习资源、打造实用生动的在线精品课程内容、优化互动和反馈机制、优化在线精品课程考核评价等课程优化建议。

汉英句法结构框架对比——汉语的“话题-述题”与英语的“主语-谓语”

根据李讷、汤普森对语言的分类,汉语属于"注重话题"的语言,英语属于"注重主语"的语言。换言之,就句法结构框架而言,汉语属于"话题-述题"型框架;英语属于"主语-谓语"型框架。其中,汉语中的"话题""述题"与英语中的"主语""谓语"并不是一一对应,他们之间有着本质上的区别:一方面,话题与主语在结构位置、所担当成分及其有定与否方面存在着很大的差别;另一方面,与英语中谓语成分相比,汉语中的述题成分显得更加丰富。以上的细微差别使得"话题-述题"框架与"主语-谓语"框架截然不同。只有弄清了这两种句法框架本质上的区别,才能极大地促进汉英语在造句方面的教学工作。

多维视角下新一代人工智能技术的公众感知研究

[研究目的]社交媒体评论是分析研判公众对新技术应用态度感知的重要对象,为突破传统文本主题挖掘技术的随机性弊端以及情感分析技术的单一性限制,提升文本数据量化分析的精准性以及实现更佳的可视化效果,亟需构建新的主题模型方法与情感分析手段。[研究方法]通过建立结构性融合的深度学习模型——BERT-LDA模型,以ChatGPT微博评论文本为研究对象,利用BERT和LDA分别提取文本的复杂语义信息和关键主题,实现了对深度隐藏主题特征的挖掘,并基于BERT情感分析,从整体、主题和态度多维度视角设计了情感演化的可视化分析。[研究结论]研究表明,BERT-LDA模型能够高效处理大规模、短文本、非结构的社交媒体评论数据,成功识别出公众对ChatGPT在就业教育、未来发展、产品开发、技术变革等不同领域带来影响的态度差异;与传统主题识别模型(LDA、TF-IDF、BERT)相比,BERT-LDA模型在主题识别效果和泛化能力上表现更优,尤其体现在对关键主题和重要词汇的精准挖掘能力上;公众对ChatGPT的认知态度并不统一,表现出赞誉与质疑并存的复杂情绪。

引入主题节点的异构图舆情摘要方法

微博等社交软件承载着网民对社会舆论事件的不同观点,如何在海量主题评论中识别出有价值的信息已经成为重要课题。提出了一种基于异构图的舆情摘要方法,有效提取热点事件的主流观点,便于引导化解互联网舆情危机。针对多文档摘要任务中难以捕捉跨文档语义关系的难点问题,将主题节点引入评论句子图从而挖掘出输入文档间的潜在语义关联。具体地,抽取评论的主题并构建包含主题节点的异构图模型,利用图注意力机制进行不同粒度节点语义信息的交互,最后结合最大边界相关算法进行候选摘要句子的抽取。实验结果显示,改进模型在英文通用Multi-News数据集上Rouge1、Rouge2、,RougeL分数分别提升了0.46%、0.46%、0.48%;与已有Textrank、Sumpip等热点模型对比,在自制微博评论数据集上该模型性能达到最好。

我国县级结核病防治服务体系建设及防治工作亟需加强--一位老防痨工作者的意见和建议

我国县级结核病防治(简称"结防")服务体系是公共卫生服务体系,特别是疾病预防控制服务体系的重要组成部分,尤其是在2035年全球终结结核病的大背景下,县、乡、村三级结防服务体系的建设将在我国克难攻坚终结结核病的实践中发挥至关重要的作用。作者对县级结防服务体系建设及防治工作提出了一些思考和建议,希望能引起业界同仁的关注、讨论和重视,更好地为政府制订符合我国实际的相关政策提供科学依据。

从指称-陈述与典型性看单复句及其接口

“指称—陈述”是一对汉语特有的基础范畴,属于语用平面。语用范畴是汉语语法的重要部分。典型性是语言研究的基本原则。汉语单句(含分句)的话题是体词性或指称性的;汉语复句以分句作为话题,但却是陈述性的。这是单复句的基本区别,也是两种不同的典型性。某些句子既可以做单句理解,也可以做复句理解,形成了单复句间的接口。接口的存在并不能否认单句与复句的典型性区别。在摆脱印欧语眼光的研究中,应该充分肯定传统研究的成果。

基于密度Canopy的评论文本主题识别方法

融合Sentence-BERT和LDA的评论文本主题识别(SBERT-LDA)方法,将LDA的主题数作为K-means算法中的k值,导致算法可解释性较差、主题一致性较低。为了解决上述问题,提出基于密度Canopy的SBERT-LDA优化方法(SBERT-LDA-DC),利用密度Canopy改进Kmeans算法。实验结果表明,提出的方法在一致性指标上要优于使用K-means以及K-means++对特征向量聚类的同类方法;与SBERT-LDA方法相比,在1852条戏剧评论数据集上,一致性指标值提高了22.9%。因此,所提出的SBERT-LDA-DC方法是有效的,对产品或服务提供者更好地了解用户意见、完善自身产品或提升服务水平提供了新方法,具有较强的实际应用价值。

互联网社交平台舆论趋势预测算法研究

为解决互联网社交平台话题趋势预测不准确的问题,提出基于量化计算的互联网话题趋势预测算法。本文通过分析互联网特定话题下的主题立场文本、评论账户画像、评论贴文内容等多维度特征,设计了一种面向互联网特定话题的舆论趋势预测方法,通过特定话题数据获取、用户观点立场分析、趋势走向判断样本集构建模型,构建的互联网话题趋势预测神经网络模型比传统的舆论趋势预测模型更准确、更全面。本文提出的基于量化计算的互联网话题趋势预测算法,可作为互联网舆情趋势分析研判的重要手段。

基于LDA模型的在线评价物流主题挖掘及可视化分析

电商平台上存在大量的物流数据评价信息,然而,个人语言表达中存在或多或少的差异,导致主题分类词并不能很好的聚类,为商家与消费者提供决策信息。因此,提出了一种基于LDA(Latent Dirichlet Allocation)主题模型的同义主题合并的文本分类方法对在线评价进行物流主题挖掘,寻找其中更深层次的决策信息。首先,采用python3.9爬取某电商平台生鲜类、食品类、电器类、个护类、日用类及服务类产品的在线评论数据。运用TF-IDF(Term Frequency-Inverse Document Frequency)分词方法对数据集进行分词处理,获得特征词及其概率分布,利用物流行业同义词库进行特征词的同义替换,并进行概率重整合,最后进行LDA主题模型分析以及可视化分析。在数据实证算例分析中发现,在六大类的商品中,消费者对于物流的要求并不相同,商家可根据在线评论的主题挖掘结果进行物流企业的选择以满足消费者需求,物流企业也可依据此进行自身服务质量的提升。

基于主题交互图的案件话题摘要

从案件相关的话题评论中生成简短的话题描述对于快速了解案件舆情有着重要作用,其可以看做是基于用户评论的多文档摘要任务.然而用户评论中含有较多噪声且生成摘要所需的重要信息分散在不同的评论句中,直接基于序列模型容易生成错误或不相关的摘要.为了缓解上述问题,提出一种基于主题交互图的案件话题摘要方法,将嘈杂的用户评论组织为主题交互图,利用图来表达不同用户评论之间的关联关系,从而过滤重要的用户评论信息.具体来说,首先从评论句中抽取案件要素,然后构造以案件要素为节点,包含案件要素的句子为内容的主题交互图;然后利用图Transformer网络生成图中节点的表征,最后生成简短的话题描述.在收集的案件话题摘要数据集上的实验结果表明,所提方法是一种有效的数据选择方法,能够生成连贯、事实正确的话题摘要.

基于主题挖掘与情感分析的在线健康咨询评论研究

[目的/意义]在线健康社区提供的在线健康咨询服务作为患者获取健康信息的重要来源,已逐渐成为医学和情报学领域的研究热点,根据患者对在线健康咨询评价进行研究,有助于促进在线健康社区的快速发展和保障人们的健康生活。[方法/过程]以好大夫在线平台为例,用八爪鱼采集器采集9 514条小儿感冒患者评价评论数据,采用LDA主题模型得到评价的5个主题,根据情感词典的情感分析方法得到所有主题下的情感倾向分布,对消极评价较多的主题进行筛选,并分析产生消极评价的原因。[结果/结论]在线健康咨询评价主题可分为问题解答、表达感谢、治疗与效果、挂号预约、医术与医德,其中负面评价较多的是治疗与效果和医术与医德。研究结果可为医生改进和在线健康社区发展提供参考意义。