基于深度学习的学生学习情感模型建立与分析

传统的情感模型仅仅关注学生学习表情与对应的学习情感之间的关系,而忽略了不同学习情感之间的关系,因而导致学生学习表情识别准确率相对较低。基于此,建立学生学习表情三维状态空间情感模型,并在其中引入Maxout神经元,从而构建优化的三维状态空间情感模型,进一步解决三维梯度弥散问题,更好地优化系统的训练过程,在本模型中还引入了情感分类器的概念,实现对学生学习表情情感状态的有效分类,从而进一步增强模型的泛化能力。另外,建立了愉悦、困惑、惊讶、中性和疲倦5种情感状态的模型,并依据所提出的模型进行了实际验证实验,实验结果表明所提出的优化后的三维状态空间情感模型相比于传统模型识别准确率提升了12.5个百分点。

基于词典与异构融合网络的MOOC评论情感分析

自MOOC兴起以来,其不仅满足了互联网各行各业对学习的要求,而且也产生了大量学习者参与讨论以及对课程评论的数据,为此,文中提出一种面向MOOC领域的用户评论情感分类模型。针对用户评论,通过对评论文本进行分词,利用词向量和约束集构建了一部领域情感词典,用于提取评论的情感特征等信息;所提模型利用异构网络分层融合特征,首先通过对评论文本特征和情感特征的融合,经过双向GRU网络和注意力机制实现对融合特征的学习,得到第一次的情感特征;其次通过CNN和注意力机制实现对课程相关信息的特征学习,并与第一次的情感特征融合;经过两层特征融合,最终通过添加Maxout的情感分类层,实现对评论文本的情感分类。实验表明,该模型在情感分类任务中分类准确率达到91.41%,相比未融合特征的基线模型提高了3.39%。