情感强度回复生成模型

情感对话生成模型在回复生成中未考虑情感强度因素,导致生成回复的情感表达存在波动不恰当性,降低用户交互体验。受情绪心理学中情感强度工作的启发,提出一种情感强度回复生成模型(EIRGM)。模型包括情感强度预测单元、语境编码模块和情感强度回复生成单元,其中情感强度预测单元为回复语句提供情感类别和情感强度,语境编码模块单元为回复语句提供内容基础,情感强度回复生成单元构成用于回复语句中情感和强度的表达。实验以NLPCC2018开放域对话数据集为基础,开展了情感恰当性、情感强度恰当性、内容关联性以及对话持续性等实验。实验结果表明,EIRGM在情感恰当性方面与最优模型相差不大,在情感强度恰当性和对话持续性方面与最优模型相比分别提升4.1个百分点和0.8个百分点,表明了EIRGM模型在提升情感强度表达恰当性同时也提高了用户交互意愿。

音乐的熟悉性、复杂性、情感类别与偏好的关系研究

本文试图探讨音乐的熟悉性、复杂性、情感类别与大学生音乐偏好的关系。结果表明,音乐熟悉性与偏好之间存在极高的相关;对音乐的主观复杂性判断则不影响偏好;音乐情绪情感类别的判断上,被试者表现出较高的一致性。具有中等强烈程度、趋于正面、积极情绪情感类别的音乐。被喜欢程度较高;反之,具有强烈负面、消极情绪情感类别的音乐,被喜欢程度较低。音乐专业与非专业大学生的各项反应只有程度差异,并无本质区别。

复合双通道酒店评论方面类别情感分析

针对中文酒店评论情感分析会忽视特定方面情感极性的问题,提出一种复合双通道模型GCGAT,进行方面类别情感分析。该模型基于门控机制和双向门控循环单元,由四层网络结构组成;利用门控机制控制通道输出;引入方面类别影响因素词向量和注意力机制提高模型信息提取准确性;数据集方面,利用LDA-Jaccard模型进行聚类,确定方面类别并进行标注,建立了细粒度数据集。通过对比实验发现,GCGAT模型取得了很好的效果,在准确率、F1值、ROC曲线和auc值上效果均优于其他模型。

中文多类别情感分类模型中特征选择方法

商品评论信息的情感分析,可作为人们推荐商品和选择商品的一个重要手段。特征选择在情感分类中能够删除一些不必要的候选特征,从而提高分类效率、减小误差。为了考察中文语言和多类别情感分类环境下特征选择方法的效果,为情感分析多分类研究选取合适的特征选择方法,对特征选择进行了对比研究。在朴素贝叶斯多类分类器中,对中文描述的关于手机的五种星级评论数据集进行情感分类,选取文档频率、信息增益、互信息和卡方统计四种常用特征选择方式进行了对比实验和分析。实验结果表明,信息增益能够在特征维数特别小的情况下获得很好的性能,卡方统计能够获得普遍较好的性能,文档频率因为计算简单也能成为一种不错的选择,而互信息通常情况下不是一个好的选择。

基于上下文感知的方面类别情感分类

由于一个评论往往会涉及多种方面类别及情感倾向,而传统注意力机制难以区分方面词和情感词的对应关系,从而影响评论同时存在多种方面类别时的情感极性分析。为了解决上述问题,提出了一种基于上下文感知的方面类别情感分类模型(MA-DSA)。该模型通过重构方面向量捕获句子中更多样且有效的语义特征,并将其融入上下文向量,然后将上下文向量通过DiSA模块进一步捕捉句子内部情感特征,确定方面词与情感词的关系,进而对指定方面类别进行情感分类。在SemEval的三个数据集上的实验结果表明,MA-DSA模型在Restaurant-2014数据集上的三个指标值均优于基准模型,证明了该模型的有效性。

基于深度学习情感分类模型的个性化抑郁症护理策略

目的探讨人工智能技术在个性化抑郁症护理中的应用,实现精准护理以加速抑郁症患者的康复。方法将60例抑郁症患者按病种和病情分层随机分配为对照组和观察组各30例.对照组采用传统护理方法;观察组采用基于深度学习情感分类模型分类后的个性化护理方案,即利用脑电图像(EEG)采集设备获取大量带标记的脑电信号数据构建EEG情感训练库,标记抑郁症类型;通过深度学习情感分类模型识别抑郁症患者EEG信号对应的情感类别;根据其识别结果,采取相应的个性化护理措施。对两组患者在住院期间进行等间隔的抑郁量化评估和护理满意率调查。结果干预4周时,观察组汉密尔顿抑郁量表(HAMD)和自评抑郁量表(SDS)的评分显著低于对照组(均P<0.05);观察组干预8周时的康复率高于对照组,但两组比较,差异无统计学意义(P>0.05)。结论基于深度学习情感分类模型的个性化护理方法能显著缓减患者的抑郁程度,加快抑郁症患者的康复速度。

面向汽车内饰造型评价的情感语义池构建

目的简析汽车内饰造型的认知要素,探讨情感词语在汽车内饰造型评价中的可行性和必要性,并为内饰造型的评价提供辅助工具。方法以中文语境下的情感分类方式为基础,对常用情感词语进行词义定位。通过多级筛选的方法,分析情感词语的认知一致性,及其与内饰造型的关联度,获得情感类别词语相似度。结果综合数据统计分析和专家意见,构建了词义精准的内饰造型评价情感语义池。结论通过内饰造型评价的情感语义池,能够将用户认知外显化,提供科学和结构化的评价依据,对设计造型评价具有实践意义。

基于深度学习的自然与表演语音情感识别

语音是情感表达的重要途径,自然状态和表演状态下的语音所蕴含的情感信息并不完全相同.为了探索自然状态和表演状态下语音情感识别的差异,采用深度学习算法分析了IEMOCAP公用数据集,对自然状态和表演状态下的中性、愤怒、开心和悲伤等四类情绪语音数据进行实验:首先提取语音数据的声学特征(对比了emobase2010特征集和eGeMAPs特征集),然后利用卷积神经网络(Convolutional Neural Networks,CNN)对自然与表演状态下的语音情感进行识别,比较了两种状态下的情感识别率,再利用混淆矩阵分析两种状态下不同情绪之间的误分率和相似性.实验结果显示,自然状态下的情感识别率明显高于表演状态下,还发现愤怒和悲伤在两种状态下的误分率有明显区别.该现象对理解情绪的表达机制有启发意义。

基于词典的中文微博情感细粒度分析研究

针对于中文微博情感细粒度的分析研究,并基于词典对微博数据进行情感细粒度分类,在此基础上,论文提出了十四种情感类别(基于七大类情感提出的,比如“好”衍生出“不好”)和改进了华中科技大学陈晓东毕业论文中的基于词典的情感分类算法。实验结果表明:论文分类算法准确率达到了70%以上,在实际应用中,十四种情感类别波动符合实际情况,中间情感类别(比如“不好”)占比低,明确情感类别(比如“好”)占比高。

多维连续空间的多任务表情识别研究

研究设计一个多任务情感识别模型,通过结合Valence、Arousal、Dominance(VAD)三维连续情感分析与离散情感分类,为智能情感交互提供更全面、细致的情感测量工具。首先利用两个识别任务间的相关约束(类别标签为VAD三维情感空间中的点)提升模型的识别准确性;其次提供一种在VAD三维空间中识别多维连续情感的方法与数据集,利用他们之间的相关性进行多任务联合学习,并在情感类别和VAD多维情感空间之间建立约束,相较于传统固定情感类别标签能更全面、细致地描述情感状态,特别是在目前较少研究的维度D上;最后使用情感类别数据集FER2013中可用的情感标签与手动添加的VAD注释测量VAD情感。实验表明,V和类别、A和类别、D和类别的多任务学习能明显改善模型的识别性能。

抖音媒体号的情感特征与表达方式——以城市广电为例

本文以城市广电抖音媒体号为研究对象,通过对获得“10万赞”视频的考察,发现高点赞视频在情绪上表现为以“正面情感”为主体,在内容上显现出微观视角与生活气息交融,在信息源上以“二次信息”加工为主体。综合来看,城市广电通过抖音媒体号拓展了区域媒体的表达空间,但由于内容的高情感化、琐碎化、非原创化特质,因而效果停留于对丰富社会景象的一瞥,传媒职能中“对环境的监测功能”在媒体号平台无法得到充分体现,因而媒体号仅是城市广电乃至传统媒体部分功能的体现,无法承载整体转型的重任。

歌曲《那就是我》的艺术特点

《那就是我》是我国艺术歌曲中有一定地位、并且广泛流传且具有较深意义的歌曲。本文通过浅析它的创作背景、历史地位及意义,进而从歌曲的背景延伸出歌曲的情感以及歌曲所具有的艺术特点。

机撰文稿的智能识别系统设计与实现

随着自媒体时代的到来,互联网新闻、网络互动社区言论成为民众舆论的主力军。该系统针对网络虚假舆论被恶意引导、传播等问题,设计一款机撰文稿的智能识别系统。首先使用Python设计网络文稿数据采集功能,然后利用TensorFlow深度学习框架训练出能分辨正负面情感的文本识别模型,最后实现业务逻辑模块和数据大屏展示,对用户请求的文稿进行判断甄别,该系统为现阶段的舆情分析提供一种新思路和新手段。