基于决策的文本多标记情感倾向性研究

文本篇章级的情感具有高度概括性,最为复杂多样,导致其情感倾向具有高度不确定性。将三支决策理论思想引入文本篇章级情感倾向分析中,将情感倾向决策过程分为两个阶段进行。首先,用情感词典来识别文本中的情感词语的情感倾向及强度,并利用情感词情感强度来识别篇章情感倾向。依据篇章情感倾向强度将篇章集合划分为正域、负域和边界域。最后,利用文本中所含语句的情感特征对延迟决策文本的篇章情感倾向进行最终判别。

基于文本大数据的城市公园游客情感倾向分析——以南昌市10个公园为例

游客情感倾向可以反映游客对公园的喜好,将公园游客的喜好直接反映给公园设计师、管理者,为深入研究城市公园提供了新方法。以南昌市10个公园为例,基于Python从大众点评上爬取南昌热门公园的评论数据,利用集搜客平台,对评论数据进行分类与情感极性评估,通过Arc GIS获取10个公园的客观特征值。从整体情感倾向、各公园重要景观元素情感倾向、特征值与情感倾向3个方面对评论数据进行分析。结果表明,南昌市10个热门城市公园游客整体情感倾向偏积极,积极情绪评价主要在绿化率高、景色优美、交通便利等方面,而消极情绪文本评价则聚焦于配套服务设施陈旧短缺、管理不当等方面;公园的占地面积、情感倾向与绿地率呈正相关、与水体面积呈负相关,与建造年代没有相关性。

考虑多交互关系与情感倾向的微博用户可信度评估算法

探究综合考虑多交互关系与情感倾向因素的微博用户可信度评估方法。首先基于用户间交互关系的类型和频率,得到用户交互度与参与度;然后根据情感词典计算用户间评论、回复等文本内容的情感得分,并据此判断用户情感倾向;其次以PageRank算法为基础,从用户资料、博文中提取特征,计算每个用户的个体可信度作为初始PR值,并将用户交互度和情感倾向融合调整PR值分配权重、使用参与度修正阻尼系数,实现对PageRank算法的改进;最终,改进的PageRank算法迭代稳定后得到待评估用户的可信度。实验结果显示,与未考虑用户间多交互关系以及情感倾向的方法相比,所提方法在AUC值、查准率、查全率和F 1值上均取得了更好的效果,最高提升了13.86%。综合考虑用户间多交互关系和情感倾向可以提高微博用户可信度评估效果。

言说类标记式“说句X(的)话”的语义类型与情感倾向

分析了言说类标记式“说句X(的)话”的语义类型和情感倾向。研究认为,语篇中的“说句X(的)话”系列语用标记承载着“话语预示”的核心语义,围绕此核心语义,该系列语用标记衍生出示警型、示直型等8个语义类型及其若干次类型。从词典静态语义看,“说句X(的)话”系列语用标记更多地体现出负向情感,在动态使用中主要表达说话人的“惧”“哀”“恶”等负向情感,少数能够表达说话人确信、肯定的正向情感。

基于在线评论的预制菜主题挖掘与情感倾向性分析

本文以天猫预制菜产品的在线评论为研究对象,运用八爪鱼对在线评论进行爬取,并利用Python对评价数据进行情感倾向性分析以及LDA主题挖掘。研究结果表明,根据LDA主题模型,消费者评论主题由产品品质、商家服务、物流及包装及品牌口碑及知名度四部分组成。情感分析方面,好评中,消费者对于网购预制菜的产品总体较为满意,但缺乏高度满意情感倾向;差评方面,轻度消极情绪占比较高,高度消极情绪较少。

情感社会学理论下突发公共卫生事件中网民情感倾向研究

近年来,微博等社交媒体成为意见交流的主要渠道。基于社交媒体来研究网民情感变化有利于相关部门及时采取措施疏导负面情绪,避免次生舆情。运用情感社会学理论和Word2Vec-BiLSTM模型的情感测量方法,选取“吉林省新冠疫情”的相关内容进行实证研究,从情感唤醒、认知归因、情感移情三个维度构建突发公共卫生事件的舆情分析模型。研究发现,情感唤醒、归因与移情贯穿舆情事件的各个阶段,主体情感生成和特征表达与关键舆情事件的触发有关,情感通过移情强化表达效果以推动舆情事件发展,而舆情事件通过影响人的认知基模唤醒情感,体现为舆情爆发期与波动期的主体情感交织,消极表现与疫情的严重程度呈简单共振,主体情绪存在更大的理性空间。

异质网络中融合多类信息的链路情感倾向预测

信息网络中基于节点间情感关系分析的链路情感倾向预测在商业营销、内容推荐等领域应用广泛,是网络分析的一个研究重点.传统的链路情感倾向预测方法对于数据信息的挖掘不够充分,忽略了对数据深层语义以及节点属性等信息的利用,预测准确度有待提升.针对以上问题,提出了异质网络中融合多种类型信息的链路情感倾向预测模型.模型首先引入预测基值作为特定节点间情感关系的粗略评估,然后结合节点的相似关系以及节点的属性等信息完成预测.其中,在捕获网络中具有相似情感倾向的节点用于预测任务时,提出了一种基于限制路径类型元路径的遍历游走方法.在5个公共数据集上的实验结果验证了所提模型的有效性及对于稀疏矩阵、冷启动问题的处理能力,并揭示了模型各组成部分在预测过程中的作用.

基于在线评论的临期食品主题挖掘与情感倾向性分析--以京东临期牛奶为例

本研究以京东临期牛奶品类在线评论为研究对象,运用Python对在线评论进行爬取、情感倾向性分析以及LDA主题挖掘,为供应商了解市场及消费者特点提供参考,对促进临期食品销售、减少食品浪费具有重要意义。

餐饮服务评价情感倾向分析——基于不同分类模型的比较

餐饮业作为“永不落幕的黄金行业”,近年受网络发展与疫情的影响,呈现“堂食”与“外卖”并存之势。为提高餐饮业的竞争力,准确把握用户的需求倾向尤为重要,本文对不同餐饮企业的餐品评论数据进行数据分析,构建不同的分类模型对餐饮服务评论的情感倾向进行分析,并通过计算精确率、召回率以及F1-Score对模型性能和误差进行评估。分别构建K近邻分类模型、LSTM长短时记忆模型、BiLSTM模型,以及CNN-Multi-BiLSTM模型对情感倾向进行分类;结果表明CNN-Multi-BiLSTM模型具有较高准确性,平均精确率、召回率和F1-Socre分别达到了91.5%、91.35%,91.45%。因此,将CNN-Multi-BiLSTM模型用来评测餐饮服务评论数据,可让商家更加精准地把握用户需求,制定相应改进策略,提高其竞争力。

双重叙述视角移位下的情感倾向性探微——《孔乙己》解读

当前语文小说教学存在过度分析“小说三要素”的套路化倾向。优化小说教学的途径是从小说本质特征“虚构叙述”的角度入手,解读出“这一篇”小说的写法独特性。以《孔乙己》教学为例,探求教师通过引导学生赏析小说双重叙述视角移位下的情感倾向性,解读作者表达“社会对于苦人的冷淡”的写法独特性。

基于中文文本情感倾向算法培养计算思维的教学实践研究

人工智能纳入中小学课程体系,对于提升学生信息素养、普及全民智能教育、培养人工智能人才具有重要意义。以“情感分析”内容为例,基于情感词典的方式对中文文本情感倾向算法进行探究,培养学生的计算思维,使其体会人工智能在社会生活中的应用,并就如何深入地在信息技术常态化课程中开展人工智能教学进行探讨。

基于同义词的词汇情感倾向判别方法

词汇的情感倾向直接影响短语、句子、段落、篇章等更高层次语言粒度的情感倾向。对于基准词选取问题,该文提出了基于类别区分能力与情感词词表相结合的方法。考虑到词汇与其同义词很大程度上具有相同的情感倾向,我们提出了基于同义词的词汇情感倾向判别方法,这种方法一定程度上避免了数据稀疏问题。实验结果表明,基于同义词的词汇情感倾向判别方法优于仅采用目标词与基准词的词汇情感倾向判别方法。

支持资源作用下的工作-家庭促进:情感倾向的调节作用

基于组织支持理论和资源保存理论,构建了支持资源作用下的工作-家庭促进模型,通过对40家制造业企业员工的问卷调查,采用多元调节回归的方法进行统计分析。研究结果表明,支持资源作用下的工作-家庭促进对员工组织情感承诺、工作满意度和离职意向有显著影响;情感倾向对支持资源作用下的工作-家庭促进与结果变量之间的关系有调节作用。当个体的情感倾向处于积极时,由组织支持资源带来的工作-家庭促进会显著提高员工的工作满意度、组织情感承诺,降低离职意向。

基于情感倾向识别的汽车评论挖掘系统构建

文本情感识别是一个具有广泛应用前景的研究领域,它在信息检索、文本过滤、产品在线跟踪评价、民情民意调查分析、智能教学系统中都有着广泛应用.而汽车情感识别正在成为人们日益关注的研究热点.本文利用文本分类技术,采用分步骤分模型的设计方法,构建出汽车情感倾向识别系统,通过对汽车评论进行挖掘和分析,识别其情感倾向和演化规律,并以可视化的界面将结果展现给用户,从而向汽车生产商提供反馈信息,同时可以为汽车消费者提供购车指导.另外本文还就汽车语料库的建立,分类模型的构建以及本系统构建过程中的一些关键问题进行了分析和探讨.

基于概率潜在语义分析的词汇情感倾向判别

该文利用概率潜在语义分析,给出了两种用于判别词汇情感倾向的方法。一是使用概率潜在语义分析获得目标词和基准词之间的相似度矩阵,再利用投票法决定其情感倾向;二是利用概率潜在语义分析获取目标词的语义聚类,然后借鉴基于同义词的词汇情感倾向判别方法对目标词的情感倾向做出判别。两种方法的优点是均可在没有外部资源的条件下,实现词汇情感倾向的判别。

基于意群划分的中文微博情感倾向分析研究

微博作为一种新兴的社交网络平台,逐渐成为公众发布个人信息,获取实时信息,表达个人观点的新平台。针对微博情感倾向判断的问题,提出了一种基于意群划分的中文微博情感倾向分析(STDSG)方法。引入意群的概念,提出微博意群划分算法,根据意群间的关系,考虑否定词、程度词及标点符号的对情感倾向分析的影响,提出计算微博意群情感倾向的方法。在给定的数据集上,实验结果准确率达到了80.1%,总体性能优于基于情感词典的方法及基于支持向量机的方法。

基于长短期记忆多维主题情感倾向性分析模型

针对中文微博全局性情感倾向分类的准确性不高的问题,提出基于长短期记忆模型的多维主题模型(MT-LSTM)。该模型是一个多层多维序列计算模型,由多维长短期记忆(LSTM)细胞网络组成,适用于处理向量、数组以及更高维度的数据。该模型首先将微博语句分为多个层次进行分析,纵向以三维长短期记忆模型(3D-LSTM)处理词语及义群的情感倾向,横向以多维长短期记忆模型(MD-LSTM)多次处理整条微博的情感倾向;然后根据主题标签的高斯分布判断情感倾向;最后将几次判断结果进行加权得到最终的分类结果。实验结果表明,该算法平均查准率达91%,最高可达96.5%;中性微博查全率高达50%以上。与递归神经网络(RNN)模型相比,该算法F-测量值提升40%以上;与无主题划分的方法相比,细致的主题划分可将F-测量值提升11.9%。所提算法具有较好的综合性能,能够有效提升中文微博情感倾向分析的准确性,同时减少训练数据量,降低匹配计算的复杂度。

基于卷积神经网络的微博情感倾向性分析

微博情感倾向性分析旨在发现用户对热点事件的观点态度。由于微博噪声大、新词多、缩写频繁、有自己的固定搭配、上下文信息有限等原因,微博情感倾向性分析是一项有挑战性的工作。该文主要探讨利用卷积神经网络进行微博情感倾向性分析的可行性,分别将字级别词向量和词级别词向量作为原始特征,采用卷积神经网络来发现任务中的特征,在COAE2014任务4的语料上进行了实验。实验结果表明,利用字级别词向量及词级别词向量的卷积神经网络分别取得了95.42%的准确率和94.65%的准确率。由此可见对于中文微博语料而言,利用卷积神经网络进行微博情感倾向性分析是有效的,且使用字级别的词向量作为原始特征会好于使用词级别的词向量作为原始特征。

基于word2vec的互联网商品评论情感倾向研究

在电子商务蓬勃发展的网络环境下,产品的评论数据已成为企业提高商品质量和提升服务的重要数据源。这些评论中包含用户对产品各个方面的情感倾向,对其进行情感分析可以帮助商家了解产品的优缺点,也能为潜在消费者的购买决策提供数据支持。提出了基于组合神经网络的商品属性聚类及基于word2vec的商品评论情感分析新方法,通过word2vec计算语义相似度,建立情感词典,用构建的情感词典对测试文本进行情感分类。实验验证了该方法在互联网商品评论中的有效性和准确性。

基于多特征的藏文微博情感倾向性分析

中英文微博大都以单一语种来表述,而将近80%的藏文微博都是以藏汉混合文本形式呈现,若只针对藏文内容或中文内容进行情感倾向性分析会造成情感信息丢失,无法达到较好效果。根据藏文微博的表述特点,该文提出了基于多特征的情感倾向性分析算法,算法使用情感词、词性序列、句式信息和表情符号作为特征,并针对藏文微博常出现中文表述的情况,将中文的情感信息也作为特征进行情感计算,利用双语情感特征有效提高了情感倾向性分析的效果。实验显示,该方法对纯藏文表述的微博情感倾向性分析正确率可达到79.8%,针对藏汉双语表述的微博在加入中文情感词、中文标点符号等特征后,正确率能够达到82.8%。