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RoBERTa模型的在线用户评论细粒度情感分析

本论文研究了基于RoBERTa的在线用户评论的细粒度情感分析模型。结合数据增强、模型微调、多任务学习和注意力机制等技术和方法,提升模型性能。本文使用了Semeval2014数据集,其中包含了各种情感类别的评论,如积极、消极和中性。实验结果显示,本文的方法在细粒度情感分析任务中,与传统方法相比取得了明显的性能提升,本文提出的模型能更好地识别评论中的情感极性。

基于细粒度情感分析的高校学生心理预警评价研究

随着社会的快速发展,高校学生心理问题日益突显,不仅影响在学生的正常学习生活,同时也为高校带来了一系列的问题。如何有效减少高校学生心理问题的发生,以及如何能够及时干预是本文需要解决的问题。针对上述情况本文提出了基于细粒度情感分析的高校学生心理预警研究,结合文本深度学习算法和心理异常测试方法对高校学生日常文本数据进行分析,以此预测学生心理异常情况,帮助高校教师及时有效监测学生心理异常情况。

面向产品评论的细粒度情感分析

针对传统粗粒度情感分析忽略具体评价对象,以及现有细粒度情感分析方法忽略无关评价要素的问题,提出结合条件随机场(CRF)和语法树剪枝的方法对产品评论进行细粒度情感分析。采用基于MapReduce的并行化协同训练(Tri-training)的方法对语料进行半自主标注,利用融合多种语言特征的条件随机场模型,获取评论中的评价对象和正负面评价词。通过建立领域本体和句法路径库实现语法树剪枝,对含有多个评价对象和评价词的文本,去掉无关评价对象的干扰,抽取出正确的评价单元,最后形成可视化产品报告。实验结果显示,提出的方法在两种不同领域数据集上,识别情感要素的综合准确率达89%左右,情感评价单元的综合准确率也达89%左右。实验结果表明,与传统方法相比,结合CRF和语法树剪枝的方法识别准确率更高,性能更好。

基于依存句法的跨语言细粒度情感分析

[目的/意义]粗粒度的跨语言情感分析往往只考虑篇章段落中的情感分布信息,而忽略深层次的语义关系。为弥补这一缺陷,文章提出一种基于依存句法的跨语言细粒度情感分析算法。[方法/过程]首先对中文文本进行依存句法分析,从深层的语义关系入手,提出一系列识别规则,提取情感评价单元;然后利用机器翻译对情感评价单元进行语言转换;最后通过与英文情感词典的匹配分析,对情感评价单元的情感极性进行判定。[结果/结论]实验结果表明,与原有的情感评价单元提取方法相比,本文的方法在一定程度上提高了提取效率;同基础的单语言情感分析方法相较,借助英文情感词典所做的跨语言情感分类结果更为理想。

采用稀疏自注意力机制和BiLSTM模型的细粒度情感分析

使用Word2vec训练词向量、循环神经网络和注意力机制进行情感分析时,存在着文本特征提取不全面、计算资源消耗过多、计算时间较长的问题。为解决这些问题,提出新的CBSA网络模型。该模型使用Cw2vec预训练的词向量作为输入,双向长短期记忆网络(BiLSTM)来对这些具有时序信息的文本进行全面特征的提取;使用分解后的稀疏自注意力机制(Sparse Self-Attention)再次对这些文本特征进行权重赋予;由Softmax对文本进行情感的分类。实验结果表明,使用Cw2vec训练的词向量相比Word2vec, F1-Score大约提高0.3%;CBSA模型相比未分解的自注意力机制(Self-Attention),内存消耗减少了大约200 MB,训练时间缩短了210 s。

面向方面记忆网络的IT产品细粒度情感分析

以用户情感需求为导向进行产品的设计和营销定位已成为研究热点,细粒度的情感挖掘可进一步提高评论分析的效率。提出一种面向方面深度记忆网络模型进行细粒度情感分析。对京东等IT产品评论数据进行爬取,应用依存句法分析方法抽取评论中的方面词,采用基于self-attention机制的深度记忆网络模型实现基于方面的细粒度情感分类。实验结果表明,面向方面深度记忆网络模型在英文数据集上的准确率相比一些经典模型有所提升,同时在京东等40000条IT的用户评价数据进行情感倾向分析也具有良好的效果。

基于循环实体网络的细粒度情感分析

目前,深度神经网络模型已经在文本情感分析领域取得了较好的效果,但是对于属性相关的细粒度的情感分析任务,现有研究方法的效果仍有待改进。该文提出了一种基于循环实体网络来进行细粒度情感分析的方法,在网络中嵌入预定义的评价属性类别信息,利用扩大的内部记忆链来抽取与每个属性类别相关的情感特征,并通过动态记忆单元控制与属性相关情感信息的远距离依赖,然后,对于给定的单个属性类别,利用注意力机制从内部记忆链中抽取该属性类别的情感特征进行分类。该文提出的方法在Sentihood数据上与目前精度最高的方法相比,取得了近1个百分点的提升,而且模型的收敛速度更快。

基于词级和语义级注意力的细粒度情感分析模型

针对细粒度情感分析任务中仅使用语义级特征导致分类效果差的问题,提出一种基于词级和语义级注意力的细粒度情感分析模型.将模型应用在SemEval-2014 Task4数据集上进行实验,与AEN-BERT和BERT-SPC模型相比,该模型正确率分别提升了3.51%和2.17%,与采用Glove词向量的模型相比,本文模型的正确率提高了3%~4%.在细粒度情感分析任务中引入词级特征可以进一步丰富文本的特征表示,通过注意力机制可以将上下文中与情感分析相关词汇的权重加强,提高细粒度情感分析的准确性.

文本细粒度情感分析综述

对情感分析的研究进展进行了介绍和总结,从粗粒度情感分析到细粒度情感分析的发展过程,重点阐述了细粒度情感分析的目标、方法、技术等.归纳出了细粒度情感分析任务中的两个核心问题:属性抽取和属性情感分类.属性抽取可分为“属性分类识别”和“属性词抽取”,属性识别的任务是对评论句中属性词进行分类.属性词抽取是对评论句中属性词进行抽取.属性情感分类是对评论句中属性词进行情感极性判断.随后对细粒度情感分析的技术难点进行了阐述,包括评论文本不规范、隐式情感难提取等.最后总结了细粒度情感分析在未来的重点研究方向是跨学科研究.

基于分层注意力机制的细粒度情感分析

细粒度情感分析从多个角度对文本情感极性进行分析,越来越成为情感分析领域的热点问题。不同于以往算法使用属性信息作为嵌入向量和单层注意力机制的LSTM网络,本文提出了一种基于分层注意力机制的多层网络,一方面可以对单词和句子分别给予不同的注意力权重,帮助模型增加对重要部分的注意力,另一方面使用实体信息作为嵌入向量,比属性信息更能表示目标短语的含义。实验结果表明,该模型在SemEval 2014数据集上取得了出色的效果,优于现有的算法。

基于跨模态Transformer的多模态细粒度情感分析方法研究

多模态细粒度情感分析任务要求根据文本以及对应的图片信息,判断文本中每个观点实体的情感倾向。目前基于文本的细粒度情感分析模型无法对多模态数据进行建模,因此论文针对多模态细粒度情感分析任务,提出了一种基于跨模态Transformer的层次化神经网络模型。该模型利用从预训练模型中抽取出的文本以及图片特征,通过调整跨模态Transformer的输入来建模文本和图像之间的信息交互,从而达到利用图片信息来辅助文本信息进行情感分析的目的。论文在两个真实的多模态社交媒体数据集上开展了实验,并与其他方法展开对比,验证了论文提出的方法的有效性。

结合金融领域情感词典和注意力机制的细粒度情感分析

针对在金融领域实体级情感分析任务中缺乏足够的标注语料,以及通用的情感分析模型难以有效处理金融文本等问题,该文构建一个百万级别的金融领域实体情感分析语料库,并标注5000余个金融领域情感词作为金融领域情感词典。同时,基于该金融领域数据集,提出一种结合金融领域情感词典和注意力机制的金融文本细粒度情感分析模型(FinLexNet)。该模型使用两个LSTM网络分别提取词级别的语义信息和基于情感词典分类后的词类级别信息,能有效获取金融领域词语的特征信息。此外,为了让文本中金融领域情感词获得更多关注,提出一种基于金融领域情感词典的注意力机制来为不同实体获取重要的情感信息。最终在构建的金融领域实体级语料库上进行实验,取得了比对比模型更好的效果。

基于细粒度情感分析的情感目标过程性评价机理与路径研究

如今大部分的教育评价考核侧重于学科内容与能力,忽视情感目标,导致课程情感目标达成度普遍较低。结合深度学习理论,提出利用细粒度情感分析技术,来分析过程性评价数据,以探讨学生长期情感变化。先对细粒度情感分析应用于教育领域做可行性分析,然后建构基于细粒度情感分析的情感目标过程性评价机制,最后论述该机制于在线教学平台、课程思政、师德评价三个领域的应用路径。

基于关键特征的影评细粒度情感分析

对电影评价的情感分析是获取观众观点的基础,对于电影舆情控制、刺激潜在消费者观影等都有非常重要的影响。本文对中文影评进行了本体特征和情感特征分析,实现了影评文本级和特征级的情感分析,在本体特征分析中,发现观影人对电影本体关注度较高的依次是剧情、演员、后期特征。在文本级影评情感分析中,提出基于关键特征的影评情感分析方法,将影评本体特征及影评情感特征与长短期记忆网络(LSTM)融合,对文本级情感分类的准确率较基准LSTM模型提高4.6%。在特征级影评情感分析中,依据影评本体特征和情感特征,对关键特征所在短句进行细粒度情感分析,细粒度情感分类结果准确率可达91.4%。

一种利用语义相似特征提升细粒度情感分析方法

情感分析主要研究人们正面或负面情感的表达。随着网页文本的爆炸式增长,情感分析在学术研究和实际应用中都成了热门话题。细粒度的情感分析方法通常采用两步策略,从而极易产生自底向上的层叠错误问题。为了解决这个问题,研究者们提出了一种基于马尔科夫逻辑的细粒度的情感分析联合框架。其中最常用的传统全局特征是自底向上和自顶向下特征。为了更好地提升细粒度情感分析的联合学习能力,一种新的语义相似特征被提了出来,中文情感分析数据集上的实验证明,此特征能对情感分析联合框架带来极大的改进。

基于细粒度情感分析研究文化体验对酒店顾客情感的影响

在新冠疫情冲击、成本高企和行业竞争加剧等多因素叠加的背景下,我国酒店业出现了打造文化主题酒店的风潮。文化能否成为酒店业市场引流的驱动之手,笔者认为通过深度挖掘顾客见解,能够对该问题进行求证。笔者通过采集旅游社区的顾客在线文本评论,实施细粒度情感分析,得到的结论为:文化体验对酒店顾客的情感强度具有显著影响。在此基础上,通过研究分析进一步发现,在我国酒店业的各服务属性中,文化体验属性触发的情感强度要高于其他服务属性的情感强度。

基于细粒度情感分析的手机用户需求发现系统研究

本文设计了一个能够实现文本爬取、数据预处理、细粒度情感分析、特征聚类和可视化界面搭建的手机用户需求发现系统。其具体实现方案如下:使用网络爬虫技术爬取手机评论文本数据,对数据进行解析、预处理、提取方面词、细粒度情感分析,进行特征聚类,并使用HTML、CSS、JavaScript搭建可视化界面以直观展现用户需求。该系统能高效分析大量手机评论文本,得到用户需求,为用户商品选购和企业改进产品提供借鉴。

基于RoBERTa-BiLSTM-CRF融合模型的在线评论细粒度情感分析

在电子商务迅速发展的背景下,在线评论所蕴含的商业价值日益凸显.从在线评论中提取用户关于产品的评价和情感的研究,已经开始从句子级或篇章级的粗粒度情感分析转向属性级的细粒度情感分析.但当前细粒度情感分析方法在情感要素识别任务中存在不能同时解决一词多义、上下文语义信息不全以及标签约束关系缺失等突出问题,且面向属性的情感强度量化方法未充分考虑语法信息.对此,本文提出一种基于RoBERTa-BiLSTM-CRF融合模型的在线评论细粒度情感分析方法,该方法可以有效解决上述问题,更加准确地识别评论中用户评价的产品或服务属性,并结合情感三元组和语法信息有效地量化用户在评论中反馈的情感强度.为了检验所提方法的效果,本文在酒店评论数据、美团外卖评论数据、CLUENER2020等多个领域的数据集上进行对比实验与消融实验.实验结果表明,与已有经典模型相比,本文所提基于RoBERTa-BiLSTM-CRF融合模型的情感要素识别方法在多个数据集上均获得了最佳F1值,且本文所提情感强度量化方法更加精细,能更好地契合人类情感的连续性.此外,消融实验进一步表明融合模型的每个结构都具有重要性.

基于网络问答文本挖掘的图书馆馆员职业形象公众感知及细粒度情感分析

【目的/意义】为重塑图书馆馆员职业的良好形象,挖掘公众对于图书馆职业认知,为图书馆职业招聘和运营管理提供参考。【方法/过程】基于深度学习方法,以知乎和搜狗问问中与图书馆馆员职业相关的问答与评论为数据样本,利用BERTopic主题模型提取公众对图书馆馆员的职业形象感知,并提出改进TextCNN的情感分类模型,分析公众对图书馆馆员职业形象感知的细粒度情感。【结果/结论】结果发现:公众对图书馆馆员职业形象感知包括职业发展与前景、工作内容、工资待遇、工作时间以及工作环境与位置5个主题维度;大部分公众对图书馆馆员职业形象的情感持正向看法;各主题维度下细粒度的情感形象与图书馆馆员整体形象占比基本趋同,但在不同维度上略有侧重。【创新/局限】将BERTopic主题和改进了TextCNN算法用于图书馆馆员职业形象文本主题提取和细粒度情感分析具有一定的创新性,但是未能够进行算法性能的比较与评估。未来可以进一步地开展深度学习算法性能评估和比较。