基于深度学习的微博情感分析

中文微博情感分析旨在发现用户对热点事件的观点态度。已有的研究大多使用SVM、CRF等传统算法根据手工标注情感特征对微博情感进行分析。该文主要探讨利用深度学习来做中文微博情感分析的可行性,采用递归神经网络来发现与任务相关的特征,避免依赖于具体任务的人工特征设计,并根据句子词语间前后的关联性引入情感极性转移模型加强对文本关联性的捕获。该文提出的方法在性能上与当前采用手工标注情感特征的方法相当,但节省了大量人工标注的工作量。

用于微博情感分析的深度学习网络模型

随着微博在网络中的兴起,对微博中包含的情感信息的研究越来越多地引起人们的关注,并取得了一定的成果。论文结合特定情感特征和卷积神经网络进行情感分析,提出一种用于中文微博情感分析的多通道卷积神经网络模型。针对微博短文本特有的内容信息,提取微博短文本的情感词集合。通过不同特征信息的结合,形成不同的通道作为卷积神经网络的输入,使卷积神经网络学习到更多的特征信息,获取更多的隐含信息。最后在COAE2014数据集和微博语料数据上进行实验,取得了比目前主流的卷积神经网络和传统分类器更好的性能。

基于表情词典的中文微博情感分析模型研究

提出一种反映微博文本情感变化的文本情感曲线,采用加窗的方法计算表情符号情感强度,实现自动化的微博表情情感词典构建。其次,基于情感词典和表情词典,计算出反映微博情感变化的微博情感曲线,抽取微博情感曲线波动性、微博情感强度和微博情感倾向性等15种情感特征,采用线性判别分析和贝叶斯分类方法分别对微博进行特征选择和情感分类操作,从而判断微博的情感倾向性。

基于卷积神经网络和Tree-LSTM的微博情感分析

微博情感分析旨在研究用户关于热点事件的情感观点,研究表明深度学习在微博情感分析上具有可行性。针对传统卷积神经网络进行微博情感分析时忽略了非连续词之间的相关性,为此将注意力机制应用到卷积神经网络(CNN)模型的输入端以改善此问题。由于中文微博属于短文本范畴,卷积神经网络前向传播过程中池化层特征选择存在丢失过多语义特征的可能性,为此在卷积神经网络的输出端融入树型的长短期记忆神经网络(LSTM),通过添加句子结构特征加强深层语义学习。在两种改进基础上构造出一种微博情感分析模型(Att-CTL),实验表明该模型在微博情感分析上具有优良的特性,尤其在极性转移方面仍保持较高的F_1值。

基于RAE+Dropout相结合的微博情感分析

文本情感分析是近年自然语言处理领域的研究热点之一,其中微博情感分析受到了学术界和企业界的广泛关注。微博情感分析是指对用户针对某一事件发表的言论进行正向、负向和中性情感的判定。本文在分析了标准RAE模型缺点的基础上,提出了一种基于RAE+Dropout的联合模型。该模型利用Dropout技术有效地预防过拟合问题的发生,同时也提高了模型训练速度。RAE+Dropout模型与RAE+词性选择模型、标准RAE模型以及SVM模型的对比实验结果表明:RAE+Dropout模型的准确率和F1值属于最优,比标准RAE模型的准确值和F1值高出0.82%和0.64%,尤其是在高维词语向量中RAE+Dropout模型的效果更加明显。

基于语境分类与遗传算法的微博情感分析方法

针对当前基于LDA模型扩展的文本情感分析方法未能考虑同一词语在不同语境下其情感极性的差异及非特征情感词对微博文本情感极性的影响这两个问题,提出一种基于语境分类和遗传算法的微博情感分析方法。该方法首先利用LDA模型构造微博主题集及微博主题词集,然后用微博标签数据逐一对各微博主题词集应用遗传算法自动迭代计算得出词集中词语的情感值,最后利用词集词语的情感值计算微博文本情感极性。实验结果表明,该方法精确度比LDA提升3.12%,召回率达87.32%,F1达73.79%,能够从语境和非特征情感词获取微博情感信息,有效提高情感分类准确率。

一种用于中文微博情感分析的多粒度门控卷积神经网络

提出一种多粒度门控卷积神经网络(multiple grains-gated convolutional neural networks,MG-GCNN)模型。该模型通过结合词语和单字层面的上下文信息作为网络的输入信息,使网络模型可以充分利用上下文中不同粒度的文本特征信息,并且通过门控操作有效控制不同粒度信息的更新和传递。在不同领域微博文本数据集上的实验结果表明,所提出的MG-GCNN模型取得了比传统分类模型和深度网络模型更好的情感分类效果。

对用于微博情感分析的一种情感语义增强的深度学习模型分析

作为微博情感分析的主要特征,表情符号在提升分类效果方面具有的作用已经获得了大多数人的认可。文章首先对微博所应用表情符号的特征进行了概述,然后结合实际情况,以词向量输入、情感语义增强等层次为切入点,围绕着能够对微博情感进行分析的、具有情感语义增强特征的深度学习模型的构建工作展开了讨论,以期能够在某些方面给人以启发。

基于多头自注意力池化与多粒度特征交互融合的微博情感分析

【目的】高效、准确地挖掘微博文本中所蕴含的情感信息,提升情感分析效果。【方法】采用WoBERT Plus与ALBERT分别对词级文本与字级文本进行动态编码,接着利用卷积操作提取局部关键特征,然后利用跨通道特征融合与多头自注意力池化操作提取全局语义信息并筛选出关键数据,最后利用多粒度特征交互融合操作将字级与词级语义信息进行有效融合,利用Softmax函数输出分类结果。【结果】本文模型在weibo_senti_100k数据集上的准确率与F1值分别为98.51%、98.53%,在SMP2020-EWECT数据集上的准确率与F1值分别为80.11%、75.62%,其表现均优于各数据集上先进的情感分析模型。【局限】在进行情感分析时,未考虑视频、图片、语音等多模态信息。【结论】所提模型提升了微博文本情感分析的效果,可以有效地完成微博文本情感分析任务。

深度学习技术下的中文微博情感的分析与研究

微博情感分析主要在于发现用户对某种热点事件的观点和态度,已有的研究,诸如SVM、CRF等传统算法,付出了昂贵的手工标注的代价。本文在研究情感分析、深度学习等技术的基础上,提出了一种新的技术方案:即通过网络爬虫技术从微博上抓取部分数据,经过词料预处理后,作为卷积神经网络的输入样本,并基于SVM/RNN构建分类器。最后在给定的测试集中判断每个句子的情感倾向性,实验结果良好。

基于社交关系的微博主题情感挖掘

微博情感分析是社交媒体挖掘中的重要任务之一,在个性化推荐、舆情分析等方面具有重要的理论和应用价值.挖掘性能良好且可同步进行文档主题分析与情感分析的主题情感模型,近年来在以微博为代表的社交媒体情感分析中备受关注.然而,绝大多数现有主题情感模型都只简单地假设不同微博的情感极性是互相独立的,这与微博生态的现实状况不相一致,从而导致这些模型无法对用户的真实情感进行有效建模.基于此,综合考虑了微博用户相互关联的事实,提出了基于LDA和微博用户关系的主题情感模型SRTSM(social relation topic sentiment model).该模型在LDA中加入情感层与微博用户关系参数,利用微博用户关系与微博主题学习微博的情感极性.针对新浪微博真实数据集上的大量实验结果表明:与代表性算法JST,Sentiment-LDA及DPLDA相比较,SRTSM模型能够对用户真实情感与讨论主题进行更加有效的分析建模.

结合自注意力机制和Tree-LSTM的情感分析模型

情感分析随着人工智能的发展而逐渐受到重视,微博情感分析旨在研究用户对于社会热点事件的情感倾向,研究表明深度学习在情感分析上具有可行性.针对传统循环神经网络模型存在信息记忆丢失、忽略上下文非连续词之间的相关性和梯度弥散的问题,为此本文结合自注意机制和Tree-LSTM模型,并且在Tree-LSTM模型的输出端引入了Maxout神经元,基于以上两种改进基础上构建了SAtt-TLSTM-M模型.实验使用COAE2014评测数据集进行情感分析,实验结果表明:本文提出的模型相比于传统的SVM、MNB和LSTM模型准确率分别提高了16.18%、15.34和12.05%,其中引入了Maxout神经元的RMNN模型相对于LSTM模型准确率提高了4.10%,引入自注意力机制之后的Self-Attention+Tree-LSTM模型相比于Tree-LSTM模型准确率提高了1.85%,并在召回率和F值两项指标上均优于其他对比模型.由此证明,本文提出的SAtt-TLSTM-M模型可用于提高情感分析的准确率,具有一定的研究价值.

机器学习与语义规则融合的微博情感分类方法

针对现有文本情感分析方法的不足,设计了一种针对中文微博的基于词典的规则情感分类方法和用于机器学习方法的基本特征模板。提出一种机器学习与规则相融合的微博情感分类方法,将用规则方法得到的多样化情感信息进行转化,扩展并嵌入基本特征模板,形成更有效的融合特征模板。通过3种分类模型集成,提高微博情感分类的性能。

大数据背景下的学生情感词典构建方法

学生的情感教育一直是教育界的研究热点和难点,由于学生个人情感的隐秘性,教师很难获取学生的情感状况.研究通过学生大量使用的社会交互网站中的文本信息分析学生的情感状态,核心是针对学生常用情感词构建情感词典,根据学生大量使用新词、伪词的特点,结合新浪微博提供的情感符号,以现有情感词典为基础,在动态更新的新浪微博大数据中应用文本相似度计算方法,扩充情感词典,构建符合学生语言特点和新浪微博风格的学生情感词典.词典包括情感极性和强度,为基于学生微博文本的情感感知和进一步的情感教育奠定基础.

基于多特征融合的微博细粒度情感分析

[目的]针对现有微博情感分析模型在微博文本相关特征提取和内容情感信息挖掘中存在的不足,提出RB-LCM模型以提升微博文本的细粒度情感分析效果。[方法]首先,采用RoBERTa动态编码微博文本字句特征;随后,利用Bi-LSTM与胶囊网络捕获微博语句更深层次的全局特征与局部特征;在此基础上,利用多头自注意力特征融合的方式对微博语句的相关多维度特征进行有效融合。训练过程采用改进的Focal Loss与FGM解决数据集标签不平衡以及模型的鲁棒性等问题。[结果]RB-LCM模型在SMP2020-EWECT数据集、NLPCC2013任务2数据集、NLPCC2014任务1数据集上的准确率与F1值分别为80.64%和77.41%、67.17%和51.08%、71.27%和58.25%,在二分类情感数据集weibo_senti_100k上的准确率与F1值则分别达到98.45%和98.44%,其表现均优于各数据集上先进的情感分析模型。[局限]进行情感分析时只结合文本信息,尚未涉及相关图片、视频、语音等信息。[结论]本文提出的RB-LCM模型能够有效提升微博细粒度情感分析效果。

基于高斯分布的改进词嵌入主题情感模型

近年来,主题情感联合模型成为了无监督学习领域的一项重要研究内容,在文本主题挖掘和情感分析等方面均有实际应用。然而,在现实场景中,微博因其文字短小、结构不完整等特征,给主题情感联合模型带来了一定的挑战。因此,围绕微博主题情感模型展开相关的研究与改进工作,目前较为流行的主题情感模型——TSMMF模型(Topic Sentiment Model Based on Multi-feature Fusion)中引入了词向量技术,运用多元高斯分布从词向量空间中快速采样邻近词语,并替换掉原Dirichlet多项式分布产生的单词,从而将共现频率低、信息量少的单词转变成突出主题、信息明确的单词,同时使用最近邻搜索算法来进一步提升模型处理大型微博语料库的运行速度,进而提出了GWE-TSMMF模型。对比实验结果表明,GWE-TSMMF模型的平均F1值约为0.718,相比原模型和现有的主流词嵌入主题情感模型(WS-TSWE模型和HST-SCW模型),其微博情感极性的分析效果均有显著提升。

基于Shapelet的不相关情感子序列挖掘方法

为了描述和分析特定微博事件的情感变化,情感时间序列被应用在微博事件分析当中.情感时间序列是根据不同时间段内的情感强度生成的曲线,能够描述用户关于事件的情感随时间变化的趋势.为了使对微博的情感挖掘定位到更为精准的时间片,提出一种基于Shapelet的不相关情感子序列挖掘方法.首先通过事件和不同类别用户的微博生成相应的情感时间序列,然后利用基于Shapelet的思想将相应序列划分成不同的子序列,最后通过计算不同种类用户的子序列和事件子序列的相似性得到最不相关的情感子序列.通过基于微博事件数据集的实验展示了使用该方法挖掘出的情感子序列结果,并进一步通过情感相似度方法验证了该方法的合理性.