基于汉语组块分析的情感标签抽取

[目的/意义]面向电子商务领域的在线评论,通过识别产品特征和评价词之间是否存在修饰关系,抽取出在线评论中的情感标签,从而帮助网购用户迅速了解某一产品的性能。[方法/过程]引入汉语组块分析对评论文本进行初始化处理,对名词性信息以及形容词性信息进行抽取。通过最大熵对初始化集合进行过滤,从而获得最终的情感标签集合。[结果/结论]该方法对评论文本的适应性较好,可以有效抽取出情感标签。[局限]需要对语料进行初始化抽取,经过过滤后才能获得最终的情感标签集合。

基于情感标签的极性分类

情感极性分析是文本挖掘中一种非常重要的技术.然而在不同领域中,很多情感极性分类系统存在分类精度低和缺少大量标注数据的缺陷.针对这些问题,提出了一种基于情感标签的极性分类方法.首先通过所有文本建立Sentiment-Topic模型,抽取出文本的情感标签;然后利用情感标签将文本划分为两个子文本,并通过Co-training算法对子文本进行分类;最后合并两个子文本的分类结果,并确定文本的情感极性.实验结果表明该方法具有较高的分类精度,而且不需要大量的分类样本.

网购农产品评论中的消费者情感标签抽取方法研究

以电子商务平台中的网购农产品在线评论为对象,研究抽取消费者在其评论文本中表达出的情感标签方法。首先对网购农产品评论进行分词和词性标注,其次采用TF-IDF特征抽取方法对评价对象和评价词进行关键词过滤再利用PMI计算出各个关联词的共现性,根据用户评分建立规则判断情感词倾向性,从而最终获得情感标签集合。利用网络抓取的网购农产品评论语料作为测试数据对情感标签集进行测试,获得较高的抽取准确率和召回率,表明这种方法可以有效地抽取农产品评论中的消费者情感,具有较好的领域适应性。

多媒体情感标签标注中音频信号重要性分析

情感标签标注是情感计算中的一个重要领域。该领域中针对音频、图像和多媒体内容的情感标签标注已有多个相关工作发表。为分析某个基于脑电图的大脑编码的多媒体情感标签标注中音频信号的重要性,情感计算公开数据库DEAP被用作测试基准。基于DEAP数据库的多媒体刺激,共提取了音频特征和三类视频特征。首先仅使用视频特征基于该框架进行多媒体标签标注任务,之后联合使用音频和视频特征进行同样的工作。实验结果表明,与仅使用视频特征的结果相比,联合使用音视频特征可以提高标注准确率,并且没有因为增加特征维数造成性能损失。

一种构建情感标签均衡语料库的主动学习算法

为提高构建的情感语料库中情感分布的均衡性,提出一种基于主动学习的算法以保持新构建训练集中情感标签的均衡。综合信息性、代表性、多样性和互补性标准于一体,通过文本的情感预测概率和特征统计量逐层筛选样本,利用互补性准则中的标签平衡措施抽取候选样本。该算法可以抑制模型选择高频次情感标签的样本,并促进低频次情感标签的样本选择,以达到情感标签平衡的目的。多标签情感分类实验表明,该算法能有效构造情感标签均衡的文本训练集,并通过所构造的训练集逐步提高文本情感分类的效果。

基于脑电信号和瞬时情感强度标签的情感识别方法

通过机器学习脑电图(Electroencephalogram,EEG)揭示人类大脑活动已成为探索人类内在情感状态的重要方案。由于情感状态变化是动态而非恒定,因此预测情感状态变化是情感识别领域的研究难题。文中提出了一种瞬时情感强度标签生成框架,通过让受试者观看视频来刺激并采集其瞬时情绪强度从而生成一组有监督标签,结合有监督标签与脑电特征生成3组半监督标签对应受试者的瞬时情感状态变化。使用脑电特征与多种机器学习方法分析4组标签对情感状态变化的适用性。通过支持向量机模型在有监督情感强度标签集上对两类、三类和四类情感强度取得了80.02%,54.76%和56.14%的分类精度。实验结果表明,有监督瞬时情感强度标签对不同受试者的脑电数据和情感状态变化更具普适性。

一种基于句法分析的情感标签抽取方法

指出情感标签由评价对象和情感词组成,包含评论的关键要素,能清楚地表达评价者的观点意见。提出一种针对产品网络评论的情感标签抽取模型,利用依存句法分析设计情感标签抽取算法,通过情感极性计算对抽取出的情感标签进行过滤。通过放宽的抽取规则与情感极性过滤相结合,以提高情感标签的召回率,实现潜在评价对象的抽取。最后用网络抓取的产品评论语料作为测试数据集对模型进行测试,获得较高的抽取准确率和召回率,并对模型中存在的问题进行总结,作为模型改善的指导。

面向微博商品评论的情感标签抽取研究

【目的】提出新的情感标签抽取方法,以提高微博商品评论的特征级情感标签抽取效果。【方法】基于依存句法分析并结合制定的抽取规则进行评价单元划分和显式标签抽取,通过NodeRank算法揭示评论中的隐式表达关系,进而抽取隐式标签,提高情感标签抽取的正确率。【结果】通过真实的网络评论数据集进行模拟和对比实验,本文方法的总体准确率、召回率、F值达到83.6%、87.1%和85.3%,优于已有的抽取方法。【局限】在隐式标签的抽取中未能充分考虑用户较为通用的情感表达。【结论】本文所提基于依存句法分析和NodeRank算法的方法可以有效地对情感标签进行抽取。

面向电影评论的标签方面情感联合模型

随着互联网的蓬勃发展,越来越多的人喜欢在微博和论坛上对商品进行评论,致使网络上存在着大量评论数据。为了同时挖掘评论数据中所谈论的方面以及评论者对这个方面的观点,用于指导消费者的消费和生产厂家对商品的改进,面向电影评论数据提出了一个标签方面情感联合模型。该模型可以同时挖掘出电影评论数据中所评论的方面以及对这个方面的情感,并且假设情感分布依赖于方面分布,词是采样的最小单位。通过将传统基于词典的方法和模型联合使用,在COAE2016任务2的电影评论数据集上进行测试,实验结果表明,此方法取得了较好的结果。

离散标签与维度空间结合的语音数据库设计

建立了一个将离散情感标签与维度情感空间结合起来的汉语情感语音数据库。该数据库由16名母语为汉语的说话人对情感语音进行表演型录制。语音样本是根据中性、愉悦、高兴、沮丧、愤怒、哀伤,以及悲伤等七种离散的情感标签采集而得,每名说话人有336条语音样本。随后由三名标注人在维度空间上对每条语音样本进行标注。最后,根据标注所得的数据来研究这七种情感在维度空间的分布情况,并分析了情感在一致性、集中性和差异性方面的性能。除此以外,还计算了这七种情感的情感识别率。结果显示,三名标注人对该数据库标注的一致性都达到了80%以上,情感之间的可区分度较高,并且七种情感的情感识别率均高于基线水平。因此,该数据库具有较好的情感质量,能够为离散情感标签到维度情感空间的转化提供重要的研究依据。

基于读者视角的文本情感分类

从读者的角度对文本情感进行分类.训练样本集以新闻文章作为样本实例,以文章后读者的投票信息作为样本类别标注的先验知识.针对该不完备的数据集提出了一种半监督学习的分类模型,分类方法采用朴素贝叶斯分类法和EM算法相结合.实验证明该方法不仅简单有效,而且具有较高的分类性能.

汉语组块分析在情感分类中的应用研究

网络产品评论的情感分析对网络用户的日常购买行为有着重要的决策作用,因此,如何利用细粒化的处理方法提高情感分析的准确率,成为了一个热门的研究话题。针对该问题提出一种基于汉语组块分析的情感识别方法,首先依靠汉语组块分析对汽车评论语料进行细粒化的处理并提取情感标签,再结合情感词本体和支持向量机模型对情感标签进行分类,从而实现情感倾向性的判别。实验表明,采用汉语组块分析的情感分类方法相比其他的分类算法平均准确率提高了4%。因此,基于汉语组块分析的情感分类可以降低分类器的输入特征维数,并有效提高分类器的分类性能。

标签引导的生成对抗网络人脸表情识别域适应方法

传统的人脸表情识别方法主要针对实验室环境下的基本表情,难以应对现实场景中人类微妙和复杂的表情变化,并且目前自然环境人脸表情识别数据集普遍缺乏足够的训练数据。针对该问题,利用实验室环境下的数据库样本,提出以标签引导的生成对抗网络表情识别域适应方法。将情感标签作为辅助条件,训练生成对抗网络的生成模型,把实验室环境的数据库样本转化为类似自然环境数据库的样本,以扩充自然环境数据库,同时基于扩充的数据库样本训练基本分类器VGG、Resnet等,从而学习自然环境的数据库的情感特征。在RAF_DB等自然环境人脸表情数据库上的实验结果表明,与Boosting-POOF和PixelDA方法相比,该方法扩充得到的数据库可使人脸表情识别率取得6%~9%的提升。

融合VAD情绪知识的文本情感分布标签增强方法

情感分布学习(emotion distribution learning, EDL)采用情感分布记录给定样本在各个情绪上的表达程度,在处理具有模糊性的多标签情绪分析任务时具有明显优势。情感分布标签增强技术将已标注的情绪单标签增强为情感分布,可以解决EDL缺乏已标注情感分布的实验数据集的问题。然而,已有的情感分布标签增强方法采用离散空间情绪模型表示情绪,存在情绪间的相关信息丢失和情绪表达不连续等问题。针对上述问题,该文引入基于连续维度的效价-唤醒-支配(valence-arousal-dominance, VAD)心理学情绪模型,提出融合VAD情绪知识的文本情感分布标签增强方法(VAD emotion knowledge-based text emotion distribution label enhancement, VADLE)。VADLE方法基于先验的VAD情绪模型中的情绪距离,先为英文句子的真实情绪标签和句中情感词的情绪标签分别生成先验情感分布,再通过分布叠加将2种先验情感分布统一。通过英文单标签文本情感数据集的对比实验表明:VADLE方法在情绪预测任务方面的性能优于已有的情感分布标签增强方法。

利用互信息和聚类抽样的文本情感分类

为了将文本情感划分更细的类别,提出一种利用互信息和聚类抽样的文本情感分类方法,对文本进行分词和特征提取的预处理,通过聚类抽样得到的情感标签之间的互信息,组合情感标签的互信息得到情感类别,并根据互信息调整特征词库的权重,最后利用中心性度量综合得出该文本情感的类别。实验通过不同的文本情感分类方式对分类结果进行比较,实验表明,该分类方法优于其他分类方法,从而验证该方法的有效性。

考虑标签情绪信息的图书资源个性化推荐方法研究

[目的/意义]信息资源推荐是解决用户信息过载的主动资源引导和资源发现的方法之一,然而目前基于标签的主流推荐方法并未考虑标注过程中的用户情感因素。[方法/过程]文章提出一种基于复合情绪标签的信息资源推荐方法。在资源标引方面,使用复合标签从标签与资源的共现和标签所处的情绪两个维度对信息资源进行标引。在推荐算法方面,使用"先聚类、后分类"的相似度计算方法来改进原有协同过滤算法中需要大量数据计算的问题。同时依托国内标签网站——"豆瓣网"实现并验证了上述推荐方法。[结果/结论]验证结果表明,本方法在准确度和召回率方面都相较原有的信息资源推荐方法有着更好的表现。本文设计和实现的方法是对基于标签的信息资源推荐的一次积极探索,对于标签标引和推荐算法均具有重要意义。

基于伽马对数算法的文本情感分类研究

随着社会的进步和科技的发展,互联网的应用已经越来越深入人们的生活。许多人通过互联网发表了对当前事物的评论或者看法。由于个人阅历的不同,这些发表的评论会有正面和负面的倾向,我们称之为情感色彩。本文提出一种新的伽马对数算法对中文文本的感情色彩进行分类,即在用SnowNLP方法得出情感色彩值的基础上采用伽马对数模型对情感进行识别分类并获得较高的准确率。研究结果可在优化文本内容和标签情感色彩的匹配及舆情分析等方面得到应用。