基于TextCNN情感预测器的情感监督聊天机器人

聊天机器人是自然语言处理的热门研究领域之一。现有的生成式聊天机器人一般基于Sequence-to-Sequence模型实现,即使用循环神经网络将问题编码成高维语义向量,再将该向量解码成回复。但是由于解码只使用单一的语义向量,容易生成普适回复。针对上述问题,提出了基于TextCNN情感预测器的情感监督聊天机器人,利用TextCNN情感预测器,由问题直接获得回复的情感表示,在Sequence-to-Sequence模型中引入更准确的情感特征,并通过情感监督方法学习情感表达方式。实验表明该模型能有效地提高聊天机器人的回复质量。

基于BERT-TextCNN的中文短文本情感分析

外卖商家和平台留住客户的重点就是要依据客户的需求制定个性化的服务。因此,本文提出一种基于BERT(Bidirectional Encoder Representation from Transformers)网络与文本卷积神经网络(Convolutional Neural Networks,TextCNN)相结合的BERT-TextCNN网络模型。该模型从外卖中文短文本评论中得到更多的情感信息。最后,在外卖中文评论数据集上进行实验,对比BERT、TextCNN、BERT-TextCNN模型的准确性、稳定性和耗时程度。实验结果证明:BERT-TextCNN的准确率有提升,该方法能更准确地进行中文文本情感分析。

基于TextCNN的文本情感分类系统

通过分析用户在线评论的文本信息来预测消费者的网购偏好意愿,进而提高消费者的满意度成为众多企业的需求.但庞大的评论数据量使得人工手动对评论文本进行分类打标签难以实现,结合Word2vec和TextCNN模型实现对在线评论进行文本情感分类.对评论文本进行规格化处理,通过结巴分词库等对已处理数据进行分词,即提取关键字词.使用Word2vec工具对每个分词进行词向量的训练,得到word embedding权重矩阵作CNN模型的嵌入层,采用TextCNN模型训练得到本文的情感分类模型.相比于直接用传统的卷积神经网络CNN默认的词嵌入层,本文训练出来的神经网络模型效果更佳.

基于TextRNN与TextCNN的情感分类对比研究

在进行文本情感分类任务时,针对任务和数据特点选取合适的深度学习主体算法十分关键。为解决此问题,探讨TextRNN与TextCNN这两种情感分类算法的适用场景,对比其优势和不同,为主层算法选择提供参考。同时对TextRNN的单向和双向选择问题,TextCNN卷积核类型的选择问题进行讨论,并在IMDB数据集上进行实验比较。结果表明,TextRNN采用双向特征提取时分类准确率更高,TextCNN选取多尺度卷积核组合来提取特征会有更好的表现效果。与此同时TextCNN比TextRNN拥有更高的准确率和更强的鲁棒性。与常用的三种机器学习算法LR、SVM、NB相比较,这两种深度学习算法的分类结果比机器学习算法的最好结果高出10%左右。

基于TextCNN和Attention的微博舆情事件情感分析

传统方法对微博舆情事件情感分析缺乏深层次语义支持,且特征稀疏、上下文关系单薄,导致情感分类准确率较低,无法第一时间感知舆情突发事件。针对这些问题,提出一种基于TextCNN和注意力机制的舆情事件情感分析模型。首先采集微博舆情事件文本知识并进行数据预处理,接着利用TextCNN模型的卷积层和池化层从多个角度提取局部特征,再结合Attention机制组合句子向量完成情感分类任务。实验结果表明,文章提出的方法在准确率、精确率、召回率和F1值上均有所提升,其值分别是0.9813、0.9821、0.9804和0.9812,优于传统的随机森林、SVM、逻辑回归和朴素贝叶斯方法,能在微博舆情事件情感分析中较好地进行识别,为后续应用于公共突发事件预测及舆情分析提供帮助。

基于TextRCNN和TextCNN的文本情感分类

针对于文本情感分类任务,本文提出了混合深度神经网络模型TextRCNN-TextCNN。该模型利用TextRCNN和TextCNN联合提取文本特征。实验结果表明,该模型的准确率和F1值分别为0.8880、0.8879,相比于TextRCNN、TextCNN等模型有明显提升。

基于TextCNN融合模型的离散情感分析

在自然语言分析中,情感分析通常是在分析一段文字所表现的情感状况。情感分析的使用场景非常宽泛,比如旅行平台、电影评论平台等所进行的评价,分为积极评论与消极评价;又或者为了研究客户对某一商品的总体使用感觉,对商品的整体使用评价并做出情感判断等。本文数据使用的是阿里云天池的电商评论的数据,分为积极消极两种情感,并将它改成6种情感,本文使用Jieba分词,决策树,lda主题模型,对文本进行挖掘,深入挖掘评论背后隐藏的问题。使用TextCNN,TextRCNN,TextRCNN-Attention模型对情感进行分类,并对模型进行对比。

一种融合CINO+TextCNN+BiLSTM+Attention的藏文情感分类方法

文章在卷积神经网络(TextCNN)、长短期记忆神经网络(LSTM)、词向量(Word2vec),全局词向量(Glove)等传统的训练词向量基础上,提出一种基于CINO+TextCNN+BiLSTM+Attention的藏文情感分类模型,使用少数民族语言的多语言预训练模型(CINO)来获取上下文语义的词向量,通过TextCNN和BiLSTM结合的注意力机制来提取局部信息和语义特征信息。文章构建了包含1.7万条藏文情感分类词的语料库,使用TextCNN、BiLSTM、CINO、CINO+TextCNN、CINO+BiLSTM、CINO+BiLSTM+Attention、CINO+TextCNN+BiLSTM+Attention等7种不同模型进行对比实验,实验结果表明本文提出的模型在藏文情感分类中的效果最优,其准确率上达到90.74%。

基于深度学习的评论文本情感分析

在互联网高度发达、高度普及的今天,大量用户更倾向于在互联网平台上发表自己的意见与评论。如何更快、更准确地分析海量评论文本中所蕴含的情感倾向,已是自然语言处理领域的热点问题。针对该问题,提出一种基于改进TextCNN网络的STCNN,使用Mish函数替代了原始TextCNN模型中的ReLU激活函数,规避了负输入的梯度损失问题,另在池化层混合了最大池化层和平均池化层的输出,弥补了上下文信息提取不充分的不足,并融入了注意力机制。基于RoBERTa和STCNN模型对微博疫情评论文本进行情感分析,利用RoBERTa模型提取文本特征向量,输入STCNN中获得更丰富的语义信息。实验结果表明,所提出的RB-STCNN模型在评论集情感分类中的准确率、F1评分等指标均有良好结果,较优于对比实验中的其他模型。

基于Transformer的微博文本情感分析方法

论文利用Transformer模型中的自注意力机制,模拟人脑神经系统对微博文本进行特征提取,利用TextCNN层将经过Transformer的词向量进行卷积,得到相邻词向量之间的时序信息,经过Tanh激活函数对模型进行优化,最后将卷积层得到的时序注意力权重应用于文本分类。实验结果证明,论文提出的模型在NLP&CC2013数据集上的准确率相对于Transformer模型有了0.38%的提高,并且在精确率、召回率和F1值上也有一定程度的提升。

基于BG-DATT-CNN网络的方面级别情感分析

分析句子针对不同方面的情感极性,深入挖掘评论文本中的信息,为企业生产决策提供建议。针对传统方法多考虑单一层面注意力信息,且基于RNN的模型忽略了局部特征的重要性,而基于CNN的模型不能捕捉长距离依赖的信息的问题,提出了基于双重注意力机制的BG-DATT-CNN模型。在特征表示上,利用BERT对句子和方面词分别进行词向量编码,获得文本的深层语义特征。在特征提取上,设计了双重注意力机制,通过计算两类权重获得综合权重,强化文本的上下文相关特征和方面相关特征。在模型构建上,设计了BG-DATT-CNN网络,结合GRU和CNN各自的优势,Bi-GRU层捕捉文本的上下文全局特征,CNN层包括K-Max池化层和TextCNN层,通过两阶段特征提取获取分类的关键信息。在SemEval 2014数据集上的实验表明,与现有的其他模型相比,提出的模型取得了较好的效果。

基于Transformer的微博文本情感分析算法研究

针对传统情感分析方法在复杂语境中特征表达能力有限、缺乏深层语义信息、模型分类准确率低等问题,文章提出一种基于Transformer和TextCNN融合的新机制。首先,使用jieba工具对微博文本进行分词处理,利用Word2Vec方法将文本转化为词向量,降低词向量中的噪声数据;其次,将词向量作为神经网络模型的输入,进一步对词向量特征进行筛选,提取更有价值的特征信息;最后,将不同粒度的词向量特征进行融合拼接,利用Softmax激活函数实现情感多分类,实验结果表明,文章所提出的情感分析模型正确率达到92.17%,证明了该模型的有效性。

旅游景点评论的情感分析和可视化系统研究及实现

首先,采用爬虫技术爬取旅游网站中景点的游客评论数据,并清洗数据,进行数据去重、数据去噪以及去停用词等操作,将文本数据转换成词向量。其次,利用文本卷积神经网络(Text Convolutional Neural Networks,TextCNN)训练一个情感分类模型,并运用该模型对评论数据进行情感分析。最后,采用FlaskWeb技术开发一个旅游评论的情感分析和可视化系统。

视频的语义情感分析研究

本文利用自然语言处理技术对视频包含的语义信息进行分析,并挖掘其中所包含的情感具有重要的社会意义和商业价值。本文的主要工作包括:首先,将Twitter情感分析训练语料库的极性类别人工标注为六种基本情绪类别作为训练集。通过讯飞语音识别平台提取AFEW数据集中视频片段内的语义信息,使用ELMO将语义信息转化为向量表示。使用TextCNN模型对语义信息进行情感分析。

一种情感可控的古诗自动生成模型

古诗是中华民族重要的非物质文化遗产,使用计算机实现古诗的自动生成已成为一个热门的研究课题,但现有的古诗生成方法在生成诗句与主题的关联性上表现不佳且无法控制情感的表达。为解决这些问题,文中基于序列到序列(Seq2Seq)模型,提出一种通过关键字和情感分类词共同控制绝句诗生成的方法。具体实现过程分为两个阶段:首先使用TextCNN和TextRank算法分别对收集的古诗进行情感分类和关键字提取,自行构建实验数据集;其次针对古诗主题与情感表达不准确的问题,引入带注意力机制的Seq2Seq模型,在模型的编码端和译码端使用门控神经单元(GRU),通过4个关键字和情感分类词控制最终绝句诗的生成,并在生成阶段使用集束搜索代替传统的贪心搜索来增加生成古诗的多样性。对比实验结果表明,所提方法生成绝句诗的效果在自动评价和人工评价上均优于基准模型,对于内容与情感的表达更加准确和有效。

政府政务微博效能评估及可视化分析

研究以政务微博为代表的政府政务新媒体迅速发展环境下的舆情分析,从受众特征、传播能力、舆论情感倾向性等角度对政府政务新媒体进行效能评估和可视化分析,有利于帮助政务职能部门了解民情民意,开展决策部署等工作。采用TextCNN模型对微博评论进行情感分类处理,同时将复杂稀疏的数据集进行图形化处理,使无序的数据信号转换为一目了然的视觉图像。通过分析舆情信息背后的效能评估结果,验证了数据爆炸时代下网络舆情分析的重要性和有效性。

基于深度学习的商品评论情感分类研究

[目的/意义]对已有的文本表示、分类算法进行组合,遴选一种复杂度低、训练时间少的组合方式,构建商品评论情感文本分类的优化模型。[方法/过程]以Keras API为应用环境,将Word2vec词向量输入Embedding嵌入层,依据句子词索引序列,通过控制trainable参数实现3种商品评论的文本表示;将不同的文本表示分别与不同分类算法进行匹配,分析分类效果差异,确立较优算法组合。[结果/结论 ]Word2vec词向量输入Embedding嵌入层继续训练的文本表示方法,结合TextCNN算法训练获得的分类模型,在商品评论测试集上分类效果表现较好,准确率和ROC曲线面积AUC值分别为94.02%、0.982 7。应用表明,分类模型能较好实现商品评论的情感分类,有较好的分类泛化能力。

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。