基于Plutchik情感轮的剧集网络评论文本的离散情感评价及有效性分析

看剧是一种高强度的情感休闲行为,剧集会激发受众多样而密集的情感,因此对看剧等文化消费的情感体验进行评价时,以离散情感模型作为理论基础会更有效,但目前对影视体验进行情感评价时以PANAS模型为主。基于Plutchik情感轮和NRC情感词典,构建了影评情感词库。使用Python软件抓取并评价了53部仙侠类、剧情类剧集豆瓣评论文本的离散情感,最后对离散情感评价结果进行了有效性分析。结果发现,一方面剧集网络短评可以用于衡量剧集情感,另一方面基于Plutchik情感轮的离散情感评价方法既可以对剧集进行分类,也比PANAS情感评价方法对剧集质量有更强的解释能力。研究结论可用于影视制片、剧集质量评价和情感营销。

基于蒙古语情感分布学习的数据增强方法

现有的情感分布学习尚未应用于蒙古语中,并且暂无利用情感分布学习进行数据增强研究。基于此,将极坐标的思想融入普鲁契克情感轮中,提出一种极坐标情绪表示法,把情感分布转化为复合情绪向量并将情感轮注意力信息融入模型中进行蒙古语情感分布学习。利用普鲁契克情感轮中任意两种基本情绪可以混合构成二元情绪的特性,为预测复合情绪向量扩展更为丰富的情绪标签,从而达到扩充数据集的目的。在蒙古语和中英文数据集上进行对比实验表明,基于极坐标情绪表示法的情感分布学习的性能优于传统方法。

基于情感轮和多任务卷积神经网络的图像情感分布学习

图像情感分布学习可以对多种情绪同时进行建模,但现有的模型缺乏有效的方法直接考虑情绪之间的相关性.针对这一问题,该文提出一种基于情感轮和多任务卷积神经网络(EW-MTCNN)的图像情感分布学习模型,通过先验知识模块将心理学情感知识直接引入到深度神经网络中.基于Mikel′s情感轮定义成对情绪之间的相关性,EW-MTCNN模型采用多任务卷积神经网络学习情绪之间的相关性信息,同时优化情感分布预测和情绪分类任务.EW-MTCNN模型由3个模块组成,3个模块分别是图像特征提取层、情感轮先验知识层和多任务损失层.在情感分布数据集(Emotion6)和单标签数据集(Artphoto)上进行对比实验的结果表明:EW-MTCNN模型在情感分布预测与情绪分类任务上比其他情感分布学习方法具有更优的性能.