基于英语聊天群文本的词汇特征研究

聊天群成为人们便捷和实用的交流工具,群文本为语言研究提供了第一手真实的语用材料。文章通过对聊天群文本词表特征进行研究,旨在发现聊天文本的独特语言特征和语义功能。

基于线上教学群聊文本的问句抽取模型

教学过程中产生的群聊文本往往包含着学生对于课程的思考。通过提取分析群聊文本中学生的提问,能够了解学生的学习情况,也能结合具体内容对学生进行指导。该研究旨在通过构建问句抽取模型,对群聊文本中与课程相关的提问进行提取。实验首先针对教学过程中产生的群聊文本进行收集,并结合课程相关教材进行数据清洗工作;然后针对类别分布不均匀问题,在Text-CNN模型的基础上提出了两种优化方式:引入注意力机制和使用平衡交叉熵损失函数。实验结果表明,优化后的模型能够达到91.95%的正确率,比原有模型增加了1.04%,而问句的F1-score表现为0.72,在原有模型的基础上提高了0.06。该模型能够运用到实际教学中,将群聊文本中与教学相关的学生提问抽取出来,再与线下教学相结合,提高教师的分析效率,进一步改善教学效果。

基于群聊文本的分类研究

面对海量群聊天,如何快速对群体类别进行分类,以帮助公安精准地找出利用网络社交平台进行违法犯罪的群体,具有重要的研究意义。然而由于群聊的聊天内容具有非正规、不完整等特点,因此在分类应用上具有一定的挑战性。从群聊的文本特性出发,通过TF-IDF技术将词向量进行赋权转化,利用梯度降维的方法对词向量进行降维处理,利用机器学习算法对词向量进行文本分类等步骤,搭建面向群聊的分类模型,降低群聊在分类应用上的难点。通过实验对分类模型的效果进行验证,实验结果表明该方法可以有效地检测出违法犯罪的社交群体。

基于多策略的群聊话题检测技术

【目的】更好地解决群聊话题纠缠的问题,减少稀疏文本特征对聚类的影响,实现对多类型消息混合的连续群聊信息的话题检测。【方法】提出一种基于多策略的群聊话题检测技术,通过构建话题序列解决话题交叉,利用消息的用户、时间、类型等属性提升聚类效果。【结果】本方法处理三份群聊记录样本的纯文本数据时的F值较对比算法分别提升2.9%、6.1%和3.0%,速度分别提高约27.6%、32.1%和47.1%。本方法还能处理传统算法无法应对的混合类型数据,且比处理对应的纯文本数据时的性能分别提升约29.4%、27.1%和22.5%。【局限】对群聊消息文本特征的利用率不足,算法所设阈值过多。【结论】本文方法能够在一定程度上提高群聊话题检测效果,并扩大了话题检测所能应对的消息类型的广度,提升了舆情分析效率。