基于加权划分非平衡决策树的诗歌朗读情感度分析

本文面向诗歌朗读的情感度分析,提出了一种新的非平衡决策树算法。该算法称为加权划分非平衡决策树(Weighted Division of Unbalanced Decision Tree,WDOUDT),通过对诗歌朗读感染力的指标展开研究,从朗读的音频中提取梅尔频率倒谱系数,应用可解释性最强的决策树方法进行建模。加权划分非平衡决策树推导算法不使用进化算法和启发信息搜索,应用在诗歌朗读音频的情感度打分中,时间复杂度低于传统决策树,该算法具有更少的节点数和较好的泛化能力,对噪音数据有较好的鲁棒性。

基于多任务学习的同行评审细粒度情感分析模型

学术论文同行评审能够直接反映审稿人对论文的主观评价,对审稿文本进行情感分析有利于挖掘审稿人对论文多维度的评价信息。现有的情感分析模型仅能挖掘专家单一的评审维度和相应的情感倾向,本文提出了一种基于多任务学习的同行评审细粒度情感分析模型。该模型在多任务学习框架下,通过在BERT-LCF模型的基础上增加BiLSTM-CRF模块,使其具备了同时完成属性词抽取和细粒度情感分析任务的能力。与传统的基于Pipeline模式的单任务细粒度情感分析模型相比,本模型在保证精度的情况下可以同时完成评审属性提取和情感分析任务。在这两项任务中,所提出模型的F1分数分别达到了89.01%和90.71%。对比实验证明,在多任务场景下,引入BiLSTM-CRF模块对评审文本属性词提取任务有一定的提升作用。

基于弹幕评论的在线知识社区用户关注度与情感度联合分析

试图分析知识社区用户弹幕评论中的关注度与情感度之间的关系,并尝试构建一种关联二者的坐标系,以此为知识视频的分类与推广提供新方法。通过获取一定数量的弹幕评论,利用Sentence-LDA模型与XLNet预训练模型对弹幕评论文本进行分析。通过抽取视频弹幕评论的主题和关键词,对其进行情感估计。根据用户对不同弹幕主题的关注度和情感度,建立用户关注度-情感度坐标系。结果表明,随着视频的播放,在线知识社区用户对视频中不同主题的关注度和情感度发生明显变化。用户对视频的不同主题有不同的情感评价,即使是对同一主题,用户也会随着视频的播放而改变情感态度。依据情感与主题的演变,可以构建新的知识视频内容标签。