奈何缘浅,向来情深——以《猫》为例谈相似情感的挖掘

文本教学中要注意挖掘情感的相似性,不仅要善于挖掘文本同类事物的情感相似性,也要善于和文本外的生活经验对接,挖掘相似情感。只有经过对比阅读,才能更好地解读文本,挖掘文本深意。以语文人教版七年级下册《猫》一文为例,谈一谈相似情感的挖掘,以真正提升学生的阅读体验。

基于双编码器表示学习的多模态情感分析

多模态情感分析旨在通过用户上传在社交平台上的视频来判断用户的情感.目前的多模态情感分析研究主要是设计复杂的多模态融合网络来学习模态之间的一致性信息,在一定程度上能够提升模型的性能,但它们大部分都忽略了模态之间的差异性信息所起到的互补作用,从而导致情感分析出现偏差.本文提出了一个基于双编码器表示学习的多模态情感分析模型DERL(dual encoder representation learning),该模型通过双编码器结构学习模态不变表征和模态特定表征.具体来说,我们利用基于层级注意力机制的跨模态交互编码器学习所有模态的模态不变表征,获取一致性信息;利用基于自注意力机制的模态内编码器学习模态私有的模态特定表征,获取差异性信息.此外,我们设计两个门控网络单元对编码后的特征进行增强和过滤,以更好地结合模态不变和模态特定表征,最后在融合时通过缩小不同多模态表示之间的L2距离以捕获它们之间潜在的相似情感用于情感预测.在两个公开的数据集CMU-MOSI和CMU-MOSEI上的实验结果表明该模型优于一系列基线模型.

一种微博用户情感影响者发现模型

情感在微博网络中传播并感染用户,对微博网络甚至现实世界都有重要影响.发现具有情感影响力的用户(情感影响者)对社会管理或制定市场策略等具有重要意义.本文建立了包含两种节点(用户,微博)和三种关系(转发,关注,发帖)的异质微博网络,利用微博情感相似性和用户情感行为相似性将其转化为只包含用户节点的同质网络,进而在该网络中使用随机游走模型发现情感影响者.贡献包含以下方面:利用微博情感相似性和用户的情感行为相似性验证了本文所构建微博网络的情感同配性,确认了情感影响在该网络中存在;提出EmotionRank模型用以寻找情感影响者;基于微博数据的实验结果有效验证了该模型的有效性和优越性.

基于在线评论的网络视频情感分类平台设计与实现

基于读者情感分析模型对网络视频情感分类时,未能计算在线评论的情感相似性,仅能分类新闻书评类的网络视频情感,存在一定局限性。设计基于在线评论的网络视频情感分类平台,根据HowNet的语义共同点获取观点词同褒义词和贬义词的语义共同点,确定观点词的情感极性,通过基于在线评论的网络视频的情感程度与否定副词判断情感强度,采用在线评论情感相似性计算方法计算情感极性和情感强度得出最终情感得分,通过情感得分分类网络视频情感。实验结果表明,当在线评论中基准词的取值为10对时,所设计平台可实现最佳情感极性的判断结果,该平台对于积极情感和消极情感平均分类正确率都达到98%、平均分类召回率都低于10%。

基于改进互信息的微博新情感词提取

针对微博新词的情感倾向分析问题,提出了一种改进互信息的微博新情感词提取方法.首先,对预处理后的微博数据进行N元切分,以此得到候选字串;然后,通过计算多字互信息(multiword mutual information,MMI)和左右侧邻接熵对候选字串进行扩展和过滤得到候选新词,再将候选新词与相应词典进行对比得到新词;最后,通过词间情感相似度(sentiment similarity between the words,SW)计算出新词的情感倾向值,从而得到新情感词.实验结果显示,该方法对新词情感倾向识别的准确率、召回率和F1值比文献[4]方法分别提高了13.14%、5.81%和8.59%,因此该方法具有很好的应用价值.

在线产品评论用户满意度综合评价研究

文中提出一种基于灰色理论的用户满意度评价方法。基本思想:根据对各种类型的产品和对象(如旅社、酒店等)的评价具有相对性、不确定性和模糊性(这三种特性统称为灰色性)的特征,将用户满意度分为很满意,满意,一般,不满意和很不满意等五种类型,克服了已有方法将情感分为满意和不满意的粗粒度定性评价缺陷。构建了用户满意度灰色评估模型,为了扩大对各类型产品评价的适应性,引用了相似性情感词匹配词对和对象对应产品的对应性热点词匹配词对来构建用户对产品和对象的满意度评测指标。以实际产品为实验数据对象,仿真结果表明:提出的方法不仅能获得产品或对象的总体满意度结论值VB,还能得到各项评测指标(影响产品或对象的因素)的量化评估结论值VBi,有效解决了定性评价方法的不足,为消费者提供了更详细的消费指导,为商业机构提供了有针对性的生产销售措施。

任务客观性、情感相似度何以影响算法决策感知公平与接受度?——基于调查实验的实证分析

伴随着新一代信息技术的纵深发展,算法决策极大提升了政府决策的科学性和精准性。与此同时,算法决策带来的算法歧视、决策“暗箱”、责任性缺失和可解释性不足等困境,导致政府面临着新的决策公平性挑战。本研究基于简化理论和计算机作为行动者理论,分别从人工智能算法简化性视角下的任务客观性和拟人化视角下的情感相似度出发,构建了2(算法任务客观性:主观任务vs客观任务)×2(情感相似度:高vs低)的两因素被试间实验,以1356位上海市居民为被试,分析了任务客观性对公民算法决策接受度的因果关系,检验了情感相似度在这一过程中的调节作用以及感知公平的中介作用。研究发现,相较于执行主观任务,公民对算法决策执行客观任务时的感知程序公平、分配公平和接受度更高。相较于高情感相似度,低情感相似度的情境进一步强化了公民对算法决策的感知程序公平、分配公平和接受度。且当情感相似度较低时,感知程序公平、分配公平在算法决策客观性影响算法决策接受度之间发挥有调节的中介效应。本研究对于算法决策简化属性的情境变化和拟人化边界做了思考,并对公共部门如何引入算法进行辅助决策和改进算法设计提出了对策建议。

融合情感的开放域对话翻译系统设计

针对在人机交互中,因中文特殊性,导致对话翻译不自然、不流畅等问题,提出一种融合情感的开放域对话翻译系统。为尽可能地挖掘样本数据信息,通过词汇级别向量和字符级别向量相结合的方式,解决分词处理中的OOV问题。并利用双向LSTM解码器,联系单词上下文解码文本隐藏向量。结合引入注意力机制的LSTM解码器,对对话情感分布进行标注,并通过情感判断辅助模型,比较输入语句和输出翻译之间的情感距离,帮助模型确定对话的情感分布。测试结果表明,在对翻译效果的自动测评中,无论是单独单词还是双单词的测评上,融合情感的开放域对话翻译系统比Seq2Seq基本序列模型分别高出0.06和0.3个百分点,而和人工翻译相比则有一定差距;在翻译效果的人工测评中,内容全面性上融合情感的开放域对话翻译系统比Seq2Seq基本序列模型高出0.11-0.29个百分点,情感准确性上情感的开放域对话翻译系统比Seq2Seq基本序列模型高0.03-0.16,两方面较人工翻译都还有不足。这说明无论是在内容还是情感上,情感的开放域对话翻译系统都优于同类型其他翻译模型,具有一定的实用价值。但相较于人工翻译,则还有上升空间,需要进一步的研究。