基于种子词的微博表情符情感倾向判定方法

情感倾向明显的表情符,容易通过人工进行标注。但是对于情感倾向不明显的表情符,多人手工的标注结果往往难以达成一致。因此,提出一种利用种子词自动判定表情符情感倾向的方法。该方法利用少量种子表情符自动标注情感倾向比较明显的表情符,生成表情符标注集;对于情感倾向不明显的表情符,利用种子情感词和已得到的表情符标注集构建模型,实现其情感倾向的自动判定。实验结果表明,本文方法在微博表情符情感倾向的自动判定上有很好的效果。

表情符向量化算法

为了更加客观准确地判断微博的情感倾向,提出表情符向量化算法.首先,该算法将初始化表情符向量从随机产生改进为包含表情符语义信息的向量;然后,用随机产生的负向样本提高泛化能力.通过定性和定量分析可知:该算法能够保留表情符的语义信息;相对于忽略表情符的纯文本情感分析,在微博文本中融入表情符信息的微博情感分析能够提高微博情感分类的精度.

基于统计数据的微博表情符分析及其在情绪分析中的应用

表情符作为一种新兴的网络语言,受到了越来越多的微博用户的青睐。微博中出现的表情符形象直观地表达了博主的情绪,对情绪分析起着至关重要的作用。首先对大量中文微博中表情符的使用特点、分布情况和情绪表达特点进行了统计分析。然后,人工选取具有代表性且情感倾向明确的表情符作为六类基本情绪的种子表情符。根据目标表情符和六类情绪的种子表情符在微博文本中的共现情况,为其建立六维情绪向量,并将其应用于微博情绪分析。在两个数据集上的实验结果表明,本文建立的表情符情绪向量有效地提高了微博情绪识别的精度。

基于表情符分析的情感关键句提取方法

在情感计算中,提取情感关键句是简化分类过程、提高分类正确率的关键环节.近年来,人们的社交需求日趋旺盛,表情符相较于文字具有更为丰富的语义信息,在各交流系统中得以广泛应用.为提升情感关键句提取方法的性能,对表情符的情感极性进行深入分析,提出一种基于表情符分析的情感关键句提取方法.首先统计表情符的情感极性,再将其和纯文字句子情感极性进行对比分析,对于句子中词组的情感极性不一致的句子将采用类序列规则挖掘,得出句子的最终情感极性;然后再结合位置信息以及关键词等属性特征,作为衡量该句是否为情感关键句的重要依据;通过对比实验验证了所提方法相较于现有方法在正确率和召回率方面都有较大提高.

基于表情符注意力机制的微博情感分析模型

为了对中文微博进行有效的情感极性识别,基于表情符能改变或加强微博文本的情感极性这一认知事实,提出基于表情符注意力机制的微博情感分析神经网络模型。该模型在使用双向循环神经网络模型(BiLSTM)学习文本的特征表示时,利用表情符注意力机制,得到文本结合表情符后新的特征表示,从而实现微博情感识别。实验结果显示,与输入纯文本和表情符的Bi-LSTM模型相比,基于表情符注意力机制的模型准确率提高了4. 06%;与仅输入纯文本的Bi-LSTM模型相比,基于表情符注意力机制的模型准确率提高了6. 35%。

认知语言学视角下的表情符交际功能初探——以《表情符:笑脸和恐惧猫脸背后的语言学》为例

《表情符:笑脸和恐惧猫脸背后的语言学》——书探讨了语言、交际、科技之间的区别与联系,并以交际的未来为题,提出表情符对人类未来交互模式,尤其是人机对话领域的开发过程必将起到关键作用。该书对于我们如何正确把握表情符的编码和解码规则,熟悉符号认知和交际的具体情境,进行精确细腻的沟通具有理论和实践指导意义。

面向社交媒体的分级注意力表情符预测模型

将预测社交媒体表情符的任务作为文本分类问题,将输入文本映射到最有可能的伴随表情符号。首先,通过研究帖子中出现的表情符与标签之间的关系,提出一个基于标签、发帖用户、发帖时间、发帖地点的注意力机制;其次,添加表情符位置特征;最后,探讨注意力机制、分级模型对于表情符预测任务的作用,训练多种模型并比较其预测效果。实验结果表明,模型对于不同使用频率的表情符的预测效果均有显著提升,模型是可行的、高效的。

二次创作网络图像表情符号研究

二次创作网络图像表情符号(以下简称"再创表情符")是利用网络热词和受网络流行文化影响二次创作出来的社交表情符号。在社交媒体"碎片化"背景下,表情符号的形象意义逐渐淡化,象征意义日益突出,笔者通过对其成因、影响、现状的研究,分析探讨了其内涵与主要特征。

社交媒体中表情符与文本的情感交互——以emoji在微博中的应用为例

表情符类似于人际交流中的非言语成分(如姿态、面部表情),它能与文本相互交互、相互作用,共同完成社交媒体的情感信息表达。从交互的、动态的角度研究表情符与文本的情感交互机制。基于信息处理的视角提出五类情感交互类别:情感表达、矛盾表达、情感增加、情感减缓、非情感交互。从微博采集并标注10042条表情符与文本交互语料,统计分析发现:1)表情符对文本的情感影响较大,其中使得文本情感极性发生改变占比达40%,情感极性与强度都发生改占比达88%;2)不同的表情符与文本的交互类别分布是不同的;3)词云分析显示不同表情符所对应的上下文是不同的。

网络表情符——注解碎片化移动社交新语境

网络时代,智能手机和社交软件的普及使得移动社交成为人们日常生活的一部分。信息膨胀和生活节奏的加快,使得时间和注意力越发碎片化的现代人更加钟爱趣味便捷的信息表达方式。应运而生的网络表情符,一方面让移动社交语境呈现出有趣、便捷和表意轻文本性的特征,另一方面也带来了社交语境意义解读的嬗变性,造成编码者和解码者之间的沟通障碍,注重社交语境便显得尤为重要。

微博表情符使用误区与优化策略——以《人民日报》微博为例

以《人民日报》微博为例,指出误用表情符对新闻真实性、符号解读、新闻严肃性及有效信息密度产生的不利影响,并从信源考证、采用通识性表情符、区别新闻题材及弥合重要信息等角度提出相应的优化策略。

在MSN中发送大图片“表情符”

在MSN Messenger6.X中，尽管支持发送自定义表情符，但为了让对方看清楚图符的内容，图片最佳大小是16×16，不过这样的图片实在太小，想不想像QQ2003中那样直接将大图片画面发送给你的聊天对象呢？别怀疑！借助一些插件，你也可以做到如图1的效果。

让MSN Messenger突破发送5个自定义表情符的限制

在MSN Messenger 6．x中，如果你想发送自定义的表情符，而且数量超过了5个，你会收到一条消息让你删除多余的图符(如图1)，并且这些图符一个也不会发出去。难道MSN中真不能发送5个以上的自定义图释?非也！请看笔者是怎样突破这个限制的。

QQ表情符为什么不能选了

一天,笑笑先生我刚走入办公室,便受到了公司最漂亮的MM热情招呼."大哥,我等你好久了."听到此言心中激动不已,可兴奋还没完扩散到脸上,MM后一句话就给浇灭了."我的QQ表情符怎么不能选择了,快来帮帮我."

基于语义规则和表情加权的中文微博情感分析方法

针对目前中文微博情感分析方法考虑因素不全面,从而导致情感分析结果欠佳的问题,提出一种基于语义规则和表情加权的中文微博情感分析方法.该方法在使用传统情感词典分析中文微博情感倾向的基础上,在普通情感词典中融入否定词、程度副词和网络新词,根据中文微博文本独有的语言特点和句式特点,采用从词语到分句再到复句的方式对整个中文微博进行情感分析,进而使用表情加权和语义规则进行权值求和,以确定情感倾向.实验结果表明,较另外3种中文微博情感分析方法,该方法效果更显著,其平均准确率为78.4%,平均查全率为75.2%,平均F值为76.7%.

MSN，玩的就是酷——MSN表情随心而变

自从MSN Messenger6.x开始支持自定义表情符后，在网上也可以下载到各式各样的表情符图标了，想不想要更多的个性表情符呢?其实，只需借助两个简单的小软件，你也可以随心所欲制作丰富的表情符。

基于神经网络的微博情绪识别与诱因抽取联合模型

情绪诱因抽取作为深层次的文本情绪理解已成为情绪分析任务中的新热点,当前研究通常把诱因抽取和情绪识别看作两个独立的任务,容易导致错误在任务间的传播问题。考虑到情绪识别及诱因抽取是相互作用的,以及微博文本中表情符通常表达文本的情绪,提出了一种基于双向长短期记忆条件随机场(Bi-LSTM-CRF)模型的情绪诱因和表情符情绪识别的联合模型。该模型将情绪诱因抽取以及情绪识别形式化为一个统一的序列标注问题,充分利用了情绪诱因与情绪之间的互相作用,将情绪诱因的抽取和情绪识别同时进行。实验结果表明,该模型在诱因抽取任务中的F值为82.70%,在情绪识别任务中的F值为74.74%,相比串行模型的F值分别提高5.82和17.12个百分点,这个结果表明联合模型能够有效降低任务串行进行时的误差传递,同时提高了诱因抽取和情绪识别的F值。

基于多线索混合词典的微博情绪识别

微博等社交媒体为人们情绪表达提供了重要平台,分析微博的情绪倾向具有重要的商业价值和社会意义。文中提出了基于词典的规则方法识别微博所表达的喜、哀、怒、惧、恶、惊六种情绪。针对情绪表达的重要线索表情符利用互信息法生成了表情符词典,与传统情绪词典相结合,制定了针对否定用法的规则对微博进行分析。建立了第一个包含六种情绪的人工标注微博数据集。实验表明,传统的情绪词典虽然收录了大量词汇,但对于社交媒体文本分析的准确率和覆盖率都不高。表情符词典的应用显著地提高了微博情绪分析的精度和覆盖率。