基于深度学习的学生学习情感模型建立与分析

传统的情感模型仅仅关注学生学习表情与对应的学习情感之间的关系,而忽略了不同学习情感之间的关系,因而导致学生学习表情识别准确率相对较低。基于此,建立学生学习表情三维状态空间情感模型,并在其中引入Maxout神经元,从而构建优化的三维状态空间情感模型,进一步解决三维梯度弥散问题,更好地优化系统的训练过程,在本模型中还引入了情感分类器的概念,实现对学生学习表情情感状态的有效分类,从而进一步增强模型的泛化能力。另外,建立了愉悦、困惑、惊讶、中性和疲倦5种情感状态的模型,并依据所提出的模型进行了实际验证实验,实验结果表明所提出的优化后的三维状态空间情感模型相比于传统模型识别准确率提升了12.5个百分点。

一种融合情感规则与机器学习的情感分类方法

针对评论型长文本的情感倾向性问题,提出了一种融合情感规则与机器学习的分类方法.基于情感规则得出评论的情感得分,该方法将文本分解为一组子句,以词汇为基本颗粒进行分数计算,得出最佳位置权重系数.同时,不同类型句式共归纳出4类关联词与之对应.将所得权重系数与关联词得分相结合,总结出情感计算公式.然后将所得情感得分作为特征融合到机器学习分类器的输入矩阵中,构造最优情感分类器.实验所得最优分类器准确率为0.979,高于同类算法.

基于网络评论语言学结构的情感倾向识别模型

展示了一种新的基于网络评论语言学结构的情感倾向识别模型,固定情感词元模型(fixed sentiment terms model).该方法利用基于固定情感词元的3种特定搭配模式来构造识别算法,通过基于增量的tf-idf模型的相关用户反馈不断更新特征词元集合.通过与传统的情感识别方法相比较,此方法可以较为明显地提高情感分类的效率和准确率.

基于核典型相关分析和支持向量机的语音情感识别模型

为了获得更好的语音情感识别的实时性和正确率,该文提出了基于核典型相关分析和支持向量机的语音情感识别模型。首先提取多种情感识别的特征,采用核典型相关分析对特征进行选择,将选择的特征作为支持向量机的输入向量进行训练,建立情感识别的分类器,最后采用语音情感识别的标准数据库进行验证性和对比实验。实验结果表明,该模型能够准确识别不同类型的语音情感,获得较高的语音情感识别率。核典型相关分析减少了分类器的输入向量数,加快了情感识别速度,获得了理想的实时性。该文语音情感识别结果优于对比模型,具有更高的实际应用价值。

基于生理信号的情感识别技术综述

情感识别是人机情感交互的前提,也是实现人机自然交互的关键。介绍了情感识别的重要性以及基于人脸表情图像与语音信号的情感识别技术研究现状;从生理学实验研究角度,阐述了心率、脑电、肌电、心电、皮电、呼吸生理信号与人类情感表现的相关性,也说明建立生理信号与情感的关系模型有充分的实验依据;描述了如何利用各种信号分析和处理方法来提取生理信号特征,并通过优化合成可用于情感分类器的特征向量;着重介绍了神经网络、Fisher线性判别函数、K最近邻和多层感知器等机器学习算法应用于情感分类器的研究成果,最后展望了基于生理信号情感识别技术的应用前景,并总结了它的不足之处。

在线评论大数据下旅游景区网络口碑研究——以张家界国家森林公园为例

从微观尺度出发,利用在线评论大数据对景区的网络口碑进行研究。选取张家界国家森林公园为研究对象,从大数据视角入手,以新浪微博和马蜂窝等平台为信息中介,抓取并研究案例相关评论数据,构建朴素贝叶斯情感分类器对张家界国家森林公园的网络口碑进行分析。结果表明,与近几年相比,研究案例在2018年的网络口碑有一定程度的下降,与现实情况吻合;此外评论的分类准确率、召回率以及F值等评价指标均在90%左右,研究结果和研究方法对分析景区的网络口碑具有参考价值。