“认知-情感-整体”视阈下国家一流课程形象感知研究

以中国大学MOOC平台上的第一批外语类国家一流课程的学习者评论文本为研究数据,采用LDA模型、语义网络和情感分析方法从学习者认知、情感和整体三个维度对课程形象进行了探究。结果表明:学习者对课程的认知可归为“课程内容”“教师讲授”“知识获得”等11个方面,随着课程获批国家一流课程,学习者对课程的认知由课程内容、教师讲授2个主题为语义网络的核心要素演变为以课程内容、教师讲授及知识获得3个主题为语义网络的核心要素;课程内容、教师讲授、知识获得、教学方法以及习题测试是影响学习者情感体验的关键因素;学习者对课程的整体印象为正面的,但对课程的推荐意愿并不高,课程在习题测试等方面存在较大的改进空间。

基于KMeans-EDA算法的非均衡评论情感分类研究

学习者真实的评价是反映在线课程优缺点的重要指标,快速准确地获得其反馈,对于在线课程的优化极为重要。为深入挖掘学习者的在线学习行为,继而为在线教学提供有效的数据基础,爬取了中国大学MOOC平台的课程评论文本,基于Bert模型的结构,建立了基于自注意力文本表征的机器学习模型,能够实现对评论文本的精确情感分类,从而获得学习者内隐的情感状态。由于爬取数据中负面评论较少,故设计了KMeans-EDA自适应均衡采样训练策略,解决了训练过程中模型偏向多数类的问题,提升了模型对负面评论的识别能力。实验结果表明,该策略可以将模型对评论文本的F1-score值从0.6902提升到0.7399。

基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法

为了准确识别社交媒体评论文本情感,助力公众负面情绪引导,提出了基于CNN-LSTM的社交媒体大数据评论文本情感元自动识别方法。通过社交媒体大数据分类,并通过具有字典功能的Token将评论文本转换成数字列表。结合词嵌入技术得到向量列表,完成社交媒体大数据向量转换的预处理。将预处理获取的向量列表输入CNN网络,得到评论文本情感元最终局部特征值。将该值传至LSTM,通过遗忘门、输入门、输出门调节,获取评论文本情感元特征表征结果,经Softmax分类器分类后,实现情感元自动识别。实验结果表明,该方法能有效完成实验数据预处理,用文字和标签的形式标记正面、负面情感元,并准确识别情感元,间接反映社会问题,应用性较强。

基于LDA的电商平台用户评论挖掘与情感分析研究——以京东商城App为例

用户评论文本挖掘与分析在多个领域具有重要实际应用价值。文章选取京东商城用户评论数据集作为研究对象,运用多种方法对其进行深入的数据挖掘与分析。首先,通过TF-IDF提取关键词揭示评论的核心主题,进而通过分析高频词了解用户对京东商城服务的关注点和整体评价。其次,采用情感分析技术对评论文本进行情感倾向性分类,旨在判断评论的情绪色彩,为京东商城的产品改进和市场定位提供有益参考。最后,借助LDA主题模型对评论文本进行主题剖析,挖掘出评论中的隐性主题和话题分布,进一步揭示用户对产品或服务的不同观点和需求,从而为京东商城提供针对性的改进策略和意见。

基于评分与文本融合的多注意力跨域推荐算法

为解决在目标领域推荐过程中用户与物品交互数据的稀疏性问题,提出一种新的跨域推荐模型。将辅助领域中的知识迁移到目标域中,基于前馈神经网络分别获得评分信息与评论文本信息的域独有特征;通过采用基于神经网络的特征提取器与基于向量嵌入的域鉴别器融合后的对抗模型,获得评分信息与评论文本信息的域共享特征;再基于多层注意力机制将域独有特征与域共享特征进行融合,从而获得用户对物品的兴趣度。研究结果表明:对于两种经典的推荐评价性能指标,所提出的模型在Amazon数据集上可以获得更好的推荐性能。

基于云计算的短视频媒体资源个性化推送方法

为提高短视频媒体资源推送的匹配度,提出基于云计算的短视频媒体资源个性化推送方法。设计基于Hadoop的短视频媒体资源个性化推送框架,以采集的信息为基础,采用隐含狄利克雷分布(latent Dirichlet allocation,LDA)模型按主题分类短视频类型,并通过基于注意力机制的卷积神经网络模型识别精彩瞬间短视频主题;短视频媒体资源推荐模块根据用户的历史短视频浏览行为,确定用户对未浏览短视频的兴趣值,根据其值大小生成推荐列表,通过数据展示层将推送结果呈现给用户。实验结果表明:该方法可实现用户感兴趣主题短视频媒体资源的个性化推送,当各弹幕文本提取的最佳主题数量为2、推荐列表长度为3时,推送效果最突出;该方法能提高短视频媒体资源个性化推送的性能,推送的内容更加符合用户的兴趣度。

基于Plutchik情感轮的剧集网络评论文本的离散情感评价及有效性分析

看剧是一种高强度的情感休闲行为,剧集会激发受众多样而密集的情感,因此对看剧等文化消费的情感体验进行评价时,以离散情感模型作为理论基础会更有效,但目前对影视体验进行情感评价时以PANAS模型为主。基于Plutchik情感轮和NRC情感词典,构建了影评情感词库。使用Python软件抓取并评价了53部仙侠类、剧情类剧集豆瓣评论文本的离散情感,最后对离散情感评价结果进行了有效性分析。结果发现,一方面剧集网络短评可以用于衡量剧集情感,另一方面基于Plutchik情感轮的离散情感评价方法既可以对剧集进行分类,也比PANAS情感评价方法对剧集质量有更强的解释能力。研究结论可用于影视制片、剧集质量评价和情感营销。

基于动态主题模型的需求弱信号识别——以比亚迪新能源汽车为例

[研究目的]竞争的加剧和创新的要求使得产品研发愈加复杂,企业急需在一个动态变化的市场中摸索前行。因此,如何有效识别需求弱信号成为亟待解决和最具挑战性的难题。[研究方法]从顾客端出发,引入并融合新颖度、出现率、支持率以及点击率等评价指标,借鉴Kim等开发的信号组合图作为信号分类体系,提出一种基于动态主题模型的需求弱信号识别方法。以“汽车之家”网站上比亚迪新能源汽车顾客评论为数据源进行实证分析,从需求弱信号识别数量和识别质量两个维度与关键词分析方法进行对比。[研究结论]结果表明,该研究提出的方法具有有效性和可行性,能够准确地识别出需求弱信号,具有更高的灵敏度。

基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。

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。

PosiGPT:基于预训练的中文积极情感评论模型

近年来,越来越多的人因为工作和生活的压力处于抑郁状态,许多人没有得到足够的鼓励和正确的指导。基于这个背景,提出中文评论模型PosiGPT。基于生成式预训练模型,使用中文微博数据进行训练,可以检测抑郁状态的博文,并产生积极回复。除了该模型外,还发布了PosiChat数据集,其包含源自新浪微博的抑郁文本及其积极评论。在PosiChat数据集上进行评估,结果表明模型生成的文本具有较强的流畅性和合理性,且在情感倾向上属于积极情感状态,初步达到了抑郁检测及积极回复的功能。

基于电影评论文本的LSTM情感分析

首先使用CBOW算法对通过Python爬取的评论进行了高效且低维的向量表示,然后采用LSTM模型对这些向量进行训练。通过实验对比了LSTM模型与朴素贝叶斯、决策树、随机森林以及RNN在预测能力方面的表现,并提供了全面的模型比较。实验结果表明,LSTM模型的准确率更高,具有一定的适用性。

基于Python技术的电影《白蛇传·情》豆瓣短评文本挖掘与可视化分析

该文采用Python爬虫和数据分析相结合的方法,对电影《白蛇传·情》的豆瓣短评进行文本挖掘和可视化分析。通过词频分析、情感分析等方法,揭示了《白蛇传·情》受到观众广泛好评的主要原因:一是创新的表现形式,将传统戏曲艺术与现代电影手法融合;二是精良的电影制作,在视听效果和人物塑造上给观众留下深刻印象;三是优秀的故事改编,在传统故事的基础上注入新的情感内涵。该文对传统戏曲电影的现代化改编具有一定的启示意义,即传统戏曲应与现代技术融合创新,丰富表现形式;改编者需深度挖掘传统戏曲的文化内涵,以现代视角诠释经典故事。

基于K-means与Word2vec的哺乳文胸评论主题挖掘研究

目的为了了解消费者在网络平台购买哺乳文胸时的关注侧重点,文章从在线评论中抽取有效关键词构建哺乳文胸主题,并通过计算主题的重要程度协助商家了解消费者关注重点方向。方法选用TF-IDF关键词抽取算法,结合K-means和Word2vec进行语义聚类、主题识别、主题词挖掘及主题重要度计算。结果哺乳文胸评论文本聚类后的主题重要程度排名是:产品品质(45.47%)、产品外观(35.83%)、产品服务(18.79%)。结论通过该方法能够有效的识别和构建哺乳文胸主题及主题词,同时,通过主题的重要程度,能够了解消费者对于网络平台购买哺乳文胸时关注的重点方向,为哺乳内衣企业进行产品改善及生产等提供理论参考。

基于文本挖掘的进口跨境电商服务质量研究

利用Python采集京东国际个护产品消费者的在线评论,通过文本特征分析得出“物流”、“效果”、“包装”等是影响进口跨境电商消费者满意度的关键要素。随后利用LDA主题聚类模型,结合困惑度和主题可视化,得到反映进口跨境电商服务质量的4类关键因素,包括物流效率、产品功效、感知价值和产品体验。基于此,提出改善进口跨境电商服务质量的策略。

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。

直播教学中社会临场感对学习绩效的影响研究——基于学习自主性的调节作用

直播教学在高校广泛应用,但存在学习效果无法保证之不足。文章基于社会临场感理论框架,对60名本科生在信息经济学直播课程中产生的弹幕文本数据进行了多维度社会临场感特征的分析,通过问卷调查的方式了解学生的学习自主性,采用分层回归分析方法从多个维度探讨了社会临场感与学习绩效之间的影响关系以及学习自主性的调节作用。研究结果表明,直播教学中的社会临场感能够显著提升学生的学习绩效;学习自主性在社会临场感与学习绩效间发挥调节作用,且对于学习自主性更低的学生,情感社会临场感与互动社会临场感对学习绩效的影响程度更高。本研究揭示了直播教学应注重学生在学习自主性方面的个体差异,并提出了有针对性的教学建议,以期改善学生的学习绩效。

同行评议质量新探:同行评议意见挖掘研究综述

在开放式同行评议模式蔚然成风与自然语言处理技术日新月异的双重驱动下,同行评议质量的研究范式正在酝酿改变——同行评议意见挖掘已悄然兴起。纵观此变迁轨迹,在文献回顾的基础之上,本文系统地梳理了同行评议意见挖掘的代表性研究成果,旨在阐明这一新兴研究方向的概貌特征以及随之而来的机遇和挑战,为后续的探索实践提供借鉴与参考。结果显示,目前有关同行评议意见挖掘的研究工作主要围绕同行评议意见的预测能力、情感表达以及论辩逻辑三个方面展开,着重探讨各种文本挖掘方法在被用于解析同行评议意见时的可行性与有效性,且所使用的数据样本限于计算机科学领域的国际会议论文(英文)。

基于深度学习的电商平台产品评论情感分析

随着网络的蓬勃发展,现代人越来越依赖于网上购物,消费者在购物后留下大量的商品评论文本。为了能让评论文本为消费者及商家带来更多的优质信息,利用Python抓取某电商平台中某个产品的评论,对所得到的文本数据进行预处理,采用机器学习和深度学习算法构建模型并进行分析,找出分析效果最好的模型,并分析产品的不足,给出相应的指导意见。