基于情感分析的网络舆情共振研究

为有效应对复杂多变的舆情环境,研究孤立发生的单一舆情事件演化成具有某些相同特征的多舆情事件簇或事件集,针对同议题、同情绪等多起舆情事件建立网络舆情共振模型,通过爬取“唐山打人案”和“唐山打人事件被害人首次发声”事件相关微博数据,以及“2021年河南遭遇特大暴雨”和“2023年河北暴雨”相关微博数据,将评论数据进行BosonNLP情感分析,得出其情感分数;并将情感分数作为模型参数,分别对2起不同类型的案例进行检验。研究结果表明:在原生舆情与次生舆情共同作用下,引起网民情绪感染和矛盾冲突,从而发生网络舆情共振,并且共振产生的热度高于单一事件热度;网民消极的态度值会加速舆情共振、不同类型的事件所产生的舆情共振效果是不同的。研究结果可丰富网络舆情以及社会物理学相关理论,可为构建舆情共振的研究框架提供参考。

基于交替注意力机制和图卷积网络的方面级情感分析模型

方面级情感分析旨在预测给定文本中特定目标的情感极性。针对忽略方面词和上下文之间的句法关系和平均池化带来的注意力差异性变小的问题,提出一种基于交替注意力(AA)机制和图卷积网络(GCN)的方面级情感分析模型(AA-GCN)。首先,利用双向长短期记忆(Bi-LSTM)网络对上下文和方面词进行语义建模;其次,通过基于句法依存树的GCN学习位置信息和依赖关系,再利用AA机制进行多层次交互学习,自适应地调整对目标词的关注度;最后,拼接修正后的方面特征和上下文特征,得到最终的分类依据。相较于基于目标依赖的图注意力网络(TDGAT),所提模型在4个公开数据集上准确率提升了1.13%~2.67%,在5个公开数据集上F1值提升了0.98%~4.89%,验证了利用句法关系和提升关键词关注度的有效性。

面向机器智能的情感分析

大模型的兴起,尤其是以大模型为基础的人工智能技术的发展与应用引起了全社会对人工智能技术的广泛关注。人工智能技术已经在很多方面达到甚至超越人类,可以替代人工完成一些技艺要求较高的工作。不过,在人工智能迈向人类智慧的道路上,仍然有许多难题亟待克服与解决,其中一个重要的问题就是情感分析与理解问题,如让机器准确理解人类的情感。针对该问题,文章从情感的定义与分类入手,对情感分析研究需要解决的问题,研究方向、研究现状、面临的挑战、应用前景与展望等进行了讨论。

基于跨模态交叉注意力网络的多模态情感分析方法

挖掘不同模态内信息和模态间信息有助于提升多模态情感分析的性能,本文为此提出一种基于跨模态交叉注意力网络的多模态情感分析方法。首先,利用VGG-16网络将多模态数据映射到全局特征空间;同时,利用Swin Transformer网络将多模态数据映射到局部特征空间;其次,构造模态内自注意力和模态间交叉注意力特征;然后,设计一种跨模态交叉注意力融合模块实现不同模态内和模态间特征的深度融合,提升多模态特征表达的可靠性;最后,通过Softmax获得最终预测结果。在2个开源数据集CMU-MOSI和CMU-MSOEI上进行测试,本文模型在七分类任务上获得45.9%和54.1%的准确率,相比当前MCGMF模型,提升了0.66%和2.46%,综合性能提升显著。

多模态方面级情感分析的多视图交互学习网络

以往的多模态方面级情感分析方法只利用预训练模型的一般文本和图片表示,对方面和观点词相关性的识别不敏感,且不能动态获取图片信息对单词表示的贡献,因而不能充分识别多模态与方面之间的相关性。针对上述问题,提出一种多视图交互学习网络模型。将句子从上下文和句法两个视图上分别提取特征,以便在多模态交互时充分利用到文本的全局特征;对文本、图片和方面之间的关系进行建模,使模型实现多模态交互;同时融合不同模态的交互表示,动态获取视觉信息对文本中每个单词的贡献程度,充分提取模态与方面之间的相关性。最后通过全连接层和Softmax层获取情感分类结果。在两个数据集上进行实验,实验结果表明该模型能够有效增强多模态方面级情感分类的效果。

基于语序知识的双通道图卷积网络方面级情感分析

当前大多数基于图卷积网络的方面级情感分析方法利用文本的句法知识、语义知识、情感知识构建文本依赖,但少有研究利用文本语序知识构建文本依赖,导致图卷积网络不能有效地利用文本语序知识引导方面项学习上下文情感信息,从而限制了其性能。针对上述问题,提出基于语序知识的双通道图卷积网络(dual-channel graph convolutional network with word-order knowledge,WKDGCN)模型,该模型由语序图卷积网络(word-order graph convolutional network,WoGCN)和情感知识结合语义知识增强的句法图卷积网络(sentiment and attention-enhanced graph convolutional network,SAGCN)组成。具体地,WoGCN基于文本的语序知识构建图卷积网络,由文本的语序依赖引导方面项特征学习上下文情感信息;SAGCN利用SenticNet中的情感知识结合注意力机制增强句法依赖,利用增强后的句法依赖构建图卷积网络,以此引导方面项特征学习上下文情感信息;最后融合两个图卷积网络的特征用于情感分类。此外,设计了一种权重分配策略,在放大方面项权重的同时保持上下文权重一致,避免错误的计算方面项特征与重要特征的语义相关性。在多个公开数据集上的实验结果表明,所提方法优于对比模型。

面向视频数据的多模态情感分析

多模态情感分析旨在从文本、图像和音频数据中提取和整合语义信息,从而识别在线视频中说话者的情感状态。尽管多模态融合方案在此研究领域已取得一定成果,但是已有方法在处理模态间分布差异和关系知识的融合方面仍有欠缺,为此,提出一种多模态情感分析方法。设计一种多模态提示门(MPG)模块,其能够将非语言信息转换为融合文本上下文的提示,利用文本信息对非语言信号的噪声进行过滤,得到包含丰富语义信息的提示,以增强模态间的信息整合。此外,提出一种实例到标签的对比学习框架,在语义层面上区分隐空间中的不同标签以进一步优化模型输出。在3个大规模情感分析数据集上的实验结果表明,该方法的二分类精度相对次优模型提高了约0.7%,三分类精度提高了超过2.5%,达到0.671。该方法能够为将多模态情感分析引入用户画像、视频理解、AI面试等领域提供参考。

基于新闻情感分析和区间分解的汇率预测研究

汇率序列具有非线性和连续变化等特点,其细节波动是一系列事件和新闻综合影响的结果.然而,现有区间预测模型难以量化重大事件和公众情绪的影响,导致其缺乏广泛的适用性,且传统区间分解方法存在上下界混叠的缺陷.因此,论文从新冠疫情冲击出发,提出一种基于新闻情感分析和区间分解的汇率波动实时预测模型.首先,基于Snownlp情感词典对外汇新闻文本进行情感分析,获得相应的情感分数.另外,构建全球恐惧指数(the global fear index,简称GFI)以量化新冠疫情的影响,并将其与芝加哥期权交易所波动率(the Chicago board options exchange volatility index,简称VIX指数)相结合作为汇率的影响因素.然后,提出一种新的区间经验模态分解(interval empirical mode decomposition,简称IEMD)方法对区间汇率序列进行多尺度分解,并根据样本熵重构得到高、中、低频区间序列和残差项.其次,利用极限学习机(extreme learning machine,简称ELM)、多层感知机(multi-layer perceptron,简称MLP)、随机森林(random forest,简称RF)和二次曲面支持向量回归(quadric surface support vector regression,简称QSSVR)分别对不同特征的子序列进行组合预测,以提高预测结果的准确性和稳定性.最后,利用论文方法对美元兑人民币、澳元兑人民币和瑞士法郎兑人民币3种汇率进行实证预测分析,结果表明,论文模型适用于重大事件影响下的汇率区间波动预测,与现有方法相比具有较高的预测精度.

非语言信息增强和对比学习的多模态情感分析模型

因具有突出的表征和融合能力,深度学习方法近年来越来越多地被应用于多模态情感分析领域。已有的研究大多利用文字、面部表情、语音语调等多模态信息对人物的情绪进行分析,并主要使用复杂的融合方法。然而,现有模型在长时间序列中未充分考虑情感的动态变化,导致情感分析性能不佳。针对这一问题,该文提出非语言信息增强和对比学习的多模态情感分析网络模型。首先,使用长程文本信息去促使模型学习音频和视频在长时间序列中的动态变化,然后,通过门控机制消除模态间的冗余信息和语义歧义。最后,使用对比学习加强模态间的交互,提升模型的泛化性。实验结果表明,在数据集CMU-MOSI上,该模型将皮尔逊相关系数(Corr)和F1值分别提高了3.7%和2.1%;而在数据集CMU-MOSEI上,该模型将“Corr”和“F1值”分别提高了1.4%和1.1%。因此,该文提出的模型可以有效利用模态间的交互信息,并去除信息冗余。

基于CLIP和交叉注意力的多模态情感分析模型

针对多模态情感分析中存在的标注数据量少、模态间融合不充分以及信息冗余等问题,提出了一种基于对比语言-图片训练(CLIP)和交叉注意力(CA)的多模态情感分析(MSA)模型CLIP-CA-MSA。首先,该模型使用CLIP预训练的BERT模型、PIFT模型来提取视频特征向量与文本特征;其次,使用交叉注意力机制将图像特征向量和文本特征向量进行交互,以加强不同模态之间的信息传递;最后,利用不确定性损失特征融合后计算输出最终的情感分类结果。实验结果表明:该模型比其他多模态模型准确率提高5百分点至14百分点,F1值提高3百分点至12百分点,验证了该模型的优越性,并使用消融实验验证该模型各模块的有效性。该模型能够有效地利用多模态数据的互补性和相关性,同时利用不确定性损失来提高模型的鲁棒性和泛化能力。

融入学生认知迁移的教学评价情感分析

数据驱动的学生学评教文本情感分析可为教师教学质量提供直接的评估结果,帮助教师提升自身教学能力。但学评教文本的情感较隐晦且存在多极化特征,导致情感分类模型难以挖掘学生客观真实的情感倾向。学生的隐性知识状态和认知水平影响其对课程的评价,融入学生认知状态的教学评价情感分析为解决评教文本情感冲突问题提供了思路。为此,本研究结合学生课程认知能力特征,构建了一个认知迁移的教学评价情感分析模型。该模型首先从学生学评教文本提取隐藏记忆信息,并从历史练习记录中提取认知能力向量;然后,将学生的认知能力迁移到学评教文本记忆信息中,得到认知迁移矩阵;为了进一步获取客观情感的表征,设计注意力机制,增强认知迁移矩阵中原始的文本记忆信息表征和认知能力表征;最后,融合两种增强表征作为情感特征,在学评教文本上进行情感分类。实验结果表明,所提模型能有效地对携带冲突性情感的学评教文本进行情感分类,可为教师了解课程教学情况及改进教学方法提供客观依据。未来可将该技术应用到智能化教学评价系统中,从而为新时代教育评价改革提供相应的技术支撑。

基于引用情感分析的领域知识发展演进特点研究:评价理论视角

本研究以评价理论为框架,对大规模生物灭绝领域学术文献中的引用内容进行人工标注;借助突变度分析,识别36年间各个时期内频次发生激增的评价资源,并在此基础上探究该领域科学知识的发展演进规律。研究发现,评价资源的分布情况能够反映科学共同体中立、反对、支持等态度倾向的集体转向趋势,能够反映科学知识“否定之否定”的螺旋式发展过程。研究结果证明了评价理论在引用情感研究中的价值,对于改进传统引文分析中存在的问题具有一定启示。

多类表情符号短文本情感分析模型研究

相关研究数据表明在使用社交网络进行社交活动的95后中有69.8%的网民倾向于使用各类表情符号表述情感倾向。表情符号的高频使用与其自身带有的鲜明情感倾向使得表情符号成为文本情感分析的重要语料资源。基于此,提出了一种多类表情符号的短文本情感模型EMME。模型针对Twitter语料库以5类表情符号融入文本语言进行情感分析,首先利用CBOW模型构建词向量,继而使用卷积对拼接的词向量进行特征融合,后使用MLP实现文本正负情感分类,并针对5类表情符号与文本情感概率进行线性回归。实验数据表明对含各类表情符号短文本情感倾向判别中,EMME模型相比于MNB模型、SVM模型以及EMB模型的MacroF1值分别提高了14.81%、10.42%与9.01%;且EMME模型在不同样本容量规模中均取得了最好的分类准确率。

基于文本挖掘的跑鞋用户评价及情感分析

为了挖掘消费者在线购买跑鞋时的关注信息,文章用大数据分析视角,以“京东商城”为例按照销量排序分析了前600款跑鞋品牌定位、价格分布、优惠信息、标签占比,使用LDA模型对10万条跑鞋在线评论进行文本挖掘,对商品评论数据进行词频共现分析、主题聚类与情感分析,从品牌、技术和售后服务的维度分析了问题的原因并提出相关建议。研究表明:国产品牌跑鞋在各价位段布局完整,销量高的跑鞋多使用满减和商品券,自营和优惠券标签对跑鞋购买具较为显著的促进作用;消费者购买跑鞋时主要关注外观细节、功能属性、性价比、穿着感受、服务优惠等方面。

基于BERT和超图对偶注意力网络的文本情感分析

针对网络短文本存在大量的噪声和缺乏上下文信息的问题,提出一种基于BERT和超图对偶注意力机制的文本情感分析模型。首先利用BERT预训练模型强大的表征学习能力,对情感文本进行动态特征提取;同时挖掘文本的上下文顺序信息、主题信息和语义依存信息将其建模成超图,通过对偶图注意力机制来对以上关联信息进行聚合;最终将BERT和超图对偶注意力网络两个模块提取出的特征进行拼接,经过softmax层得到对文本情感倾向的预测结果。该模型在电商评论二分类数据集和微博文本六分类数据集上的准确率分别达到95.49%和79.83%,相较于基准模型分别提高2.27%~3.45%和6.97%~11.69%;同时还设计了消融实验验证模型各部分对分类结果的增益。实验结果表明,该模型能够显著提高针对中文网络短文本情感分析的准确率。

基于情感分析和热度预测的网络舆情预测研究

在社交媒体平台已成为大众信息交流的重要载体的背景下,关注和分析大众对于社会热点事件的情感倾向及舆论走势,有利于及时准确了解大众的情感需求,制定相应的措施,引导舆论走向,维护良好的网络环境。提出了基于情感分析和热度预测的网络舆情预测思路,构建了融合多特征的文本情感分析模型和基于时间序列的热度预测模型,并基于真实数据集验证了模型的有效性。对于社交媒体上舆论环境的分析和预测有重要意义。

面向方面情感分析的多通道增强图卷积网络

传统的基于单通道的特征提取方式,仅使用单一的依赖关系捕获特征,忽略单词间的语义相似性与依赖关系类型信息。尽管基于图卷积网络进行方面情感分析的方法已经取得一定成效,但始终难以同时聚合节点的语义信息和句法结构特征,在整个迭代训练过程中最初的语义特征会逐渐遗失,影响句子最终的情感分类效果。由于缺乏先验知识会导致模型对相关情感词的误解,因此需要引入外部知识来丰富文本信息。目前,如何利用图神经网络(GNN)融合句法和语义特征的方式仍值得深入研究。针对上述问题,该文提出一种多通道增强图卷积网络模型。首先,通过对情感知识和依赖类型增强的句法图进行图卷积操作,得到基于语法的两种表示,与经过多头注意力和图卷积学习到的语义表示进行融合,使多通道的特征能够互补学习。实验结果表明,在5个公开数据集上,准确率和宏F1值优于基准模型。由此可见,依赖类型和情感知识均对增强句法图有重要影响,表明融合语义信息与句法结构的有效性。

融合大语言模型的三级联合提示隐式情感分析方法

隐式情感分析作为情感分析任务的挑战性分支,面临着缺乏明确情感特征、文本语义复杂等问题。受到思维链(chain of thought,CoT)的启发,提出了一种融合大语言模型的三级联合提示隐式情感分析方法(three-level joint prompt-tuning implicit sentiment analysis method incorporating LLMs,TPISA),将大语言模型与本地预训练模型相结合,使用多级推理的方式逐级得出目标的方面、潜在观点,使模型能够更轻松地推理出最终的情感极性。前两级提示利用大型语言模型丰富的世界知识,丰富情感语句的情感信息;然后,将前两级提示得到的方面和潜在意见与上下文连接起来,作为第三级提示的输入。同时构建情感标签词,使预训练的模型能够从标签词汇中获得丰富的语义知识,增强模型的学习能力。实验证明,提出的模型在SemEval14 Laptop和Restaurant数据集上对比当前主流的隐式情感分析模型,取得了5.65和6.72百分点的提升,验证了该方法的先进性。

双模态双向感知下语义信息增强的多模态情感分析

针对不同模态间存在情感信息分布不均匀,难以获得更深层次的多模态情感语义信息问题,提出了一种双模态双向感知下语义信息增强的多模态情感分析方法。对文本-视觉模态、文本-音频模态分别融合,捕获双模态话语中的相互依赖关系,获得模态间双向的上下文感知信息;考虑到双模态在融合时产生较多冗余信息,采用门控机制选择有效的情感特征,以提升识别关键情感信息的能力;通过跨模态信息交互机制对多种模态间的信息进行建模,得到语义信息增强的模态特征向量。在公开的多模态情感分析数据集CMU-MOSI上对所提出的模型进行评估,实验结果表明,该模型的情感分析结果优于大多数现有先进的多模态情感分析方法,能够有效提升情感分析的性能。

融合双图卷积与门控线性单元的方面级情感分析模型

方面级情感分析旨在确定句子中给定方面的情感极性。现有的基于图神经网络的方面级情感分析存在以下2个方面的不足:忽略了不同类型的句法依存关系和语料库中的词共现信息,以及不能准确地控制情感信息流向给定方面。针对以上问题,提出融合双图卷积与门控线性单元(GLU)的方面级情感分析模型。该模型首先采用全局词汇图来编码语料库中的词共现信息,在词汇图和句法图上利用分类概括结构来区分各种词共现频率和不同类型的句法依存关系。然后分别在2个图上进行双层卷积,继而使用Bi Affine变换模块作为桥梁,在2个图卷积网络模块之间有效地交换相关特征,从而有效地融合句法信息和词汇信息。最后利用GLU控制情感信息流向给定方面,使模型可以更专注地分析与该方面相关的情感信息,避免不相关的情感信息影响对给定方面的情感分析结果,从而提高分析的准确性。实验结果表明,在Twitter、Laptop14、Restaurant15和Restaurant16数据集上,该模型的准确率分别达到74.82%、77.61%、82.29%和89.81%,F1值分别达到72.97%、73.52%、67.72%和73.37%,方面级情感分类效果明显优于其他基线模型。