情感词

摘要： 步入新媒体时代,如何吸引读者点击并阅读,是每位新媒体记者、编辑都要思考的问题。题为文眼,标题的作用至关重要。信息洪流中,与其一味堆砌信息把标题做得冗长无趣,不如做巧,为标题做减法,用短句、做省略、找共鸣、活用标点等方法,在有限字数内下功夫,用清爽的标题吸引读者。

摘要： 针对不良文本对抗样本的检测问题,我们设计并实现了一个对抗样本的生成系统。其具备针对文本的随机插入、换位、删除、同义词替换操作,实现了对文本情感词属性的控制。以IMDB数据集中的电影评价文本作为实验对象,实验结果证明系统的有效性,为后续对不良文本的扰动检测提供了知识支撑。

摘要： 针对电力客服对话文本存在的错误文本较多、口语化程度高和标注数据少等问题,提出了一种基于双向传播框架的电力客服对话文本挖掘算法.该算法使用外部语料获取情感词和评价属性来扩展电力客服对话评价要素,使用基于词向量的语料相似度计算方法识别长尾词,挖掘出电力客服对话文本的情感词和评价属性.实验结果表明,所提出的算法相比于传统反向传播方法具有更高的识别准确率和情感词提取精度,低频词提取和短语扩展方法也能提升识别精度.

摘要： 针对不良文本对抗样本的检测问题,我们设计并实现了一个对抗样本的生成系统.其具备针对文本的随机插入、换位、删除、同义词替换操作,实现了对文本情感词属性的控制.以IMDB数据集中的电影评价文本作为实验对象,实验结果证明系统的有效性,为后续对不良文本的扰动检测提供了知识支撑.

摘要： 在现有的属性抽取研究中,注意力建模多采用全局或局部的自注意力机制,未能较好地利用句子本身所含有的情感词信息.然而,句子中所需抽取的属性大多存在若干与其具有强相关性的情感词.因此,利用情感词辅助注意力的建模可增强注意力的准确性.该文提出一种融合情感词的交互注意力机制,将文本中所有的情感词按序排列,并通过双向长短时记忆网络编码原始文本,利用全连接神经网络和高速网络编码排列的情感词;然后,利用情感词编码与原始文本编码建模交互注意力,从而使模型在情感词的辅助下精确地定位文中所包含的属性;最终,使用条件随机场进行属性标记.该文利用2014、2015语义评估属性级情感分析官方评测数据进行实验,验证了上述方法的有效性,该方法在三个基准数据集上F1值分别提高了5.53、2.90和5.76个百分点.

摘要： [目的/意义]旨在为解决某些特定领域的情感分析任务,提高情感分析的精度提供参考.[方法/过程]采用逆向思维,先从领域情感词典结构设计方面入手,再以"实体-属性-情感词"的多元词对为主线,逐步解决领域情感词典结构要求,从而形成一种新的中文领域情感词典构建方法.[结果/结论]实验证明,该词典不仅能够准确判断情感词的情感极性,还能有效的对中文文本进行情感分类.

摘要： 中国古典诗词中,"愁"字运用频繁,极富诗意.从词源考察,"愁"的义源当为心绪聚积,无关"触景生情",其诗意并非造字之初就具有.然"愁"与"秋"字形关联、音读相类,因此,在诗的国度里,愁情与秋景的交融乃是或早或迟的必然.古诗言愁传统虽发端于《诗经》,但《诗经》中并未出现"愁"字.而《楚辞》不仅多用"愁",且《九歌·湘夫人》起首之句堪为言愁典范.《骚》之后,唐之前,张衡《四愁诗》、曹植《释愁文》与庾信《愁赋》的创作使"愁"终摆脱与其他近义词的混同局面,所包蕴的诗意也更趋独立与鲜明.

摘要： 本文根据中文商品评论文本的特点,从句法分析、词义理解和语境相关等多角度获取词语间的语义关系,然后将其作为约束知识嵌入到主题模型,提出语义关系约束的主题模型SRC-LDA(semantic relationconstrained LDA),用来实现语义指导下LDA的细粒度主题词提取.由于SRC-LDA改善了标准LDA对于主题词的语义理解和识别能力,从而提高了相同主题下主题词分配的关联度和不同主题下主题词分配的区分度,可以更多地发现细粒度特征词、情感词及其之间的语义关联性.通过实验表明,SRC-LDA对于细粒度特征和情感词的发现和提取具有较好的效果.

摘要： 面对Web上浩如烟海的文本信息,特别是针对某种产品的大量的评论信息,意见挖掘已经成为一个热门的研究方向.本文主要阐述意见挖掘中如何判定中文情感词的修饰极性这个问题.本文在计算了情感词的原极性的基础上,通过分析它的上下文,尤其是针对修饰情感词的副词的分析,计算情感词的修饰极性,提出了两种方法并进行对比,针对相同的测试语料进行测试,得出较为理想的一种方法,从而证明了通过分析情感词的修饰极性提高了情感描述项极性判断的准确性.

摘要： 目前的文本情感分析研究中,多采用去除包含表情符号等停用词的方法,然而表情符号也能表达人们的情感.本文在判断情感倾向性时考虑情感词的贡献,提出了一个包含表情符号的文本情感分析模型.通过设置阈值,可以对网络中过激情感进行实时监测.

摘要： 本文主要把产品评论中属性的不同描述进行归类.在产品评论中,同类的属性会有不同的描述,例如手机的"外形"和"设计"指的是同类属性.同类属性虽然有不同的描述,但是在句中却和相同的情感词搭配使用.本文首先抽取评论句中属性和情感词的搭配关系,形成一个二部图,然后用权重标准化SimRank计算不同属性之间的相似度,并把所得的结果与半监督学习中的贝叶斯分类器进行融合,得到了更好的分类结果.通过实验证明了此方法的有效性.

摘要： 本发明公开了一种基于方面观点词情感对齐的跨领域情感分析方法及装置，其中方法包括：构建跨领域情感分析模型，所述跨领域情感分析模型包括预训练BERT编码器、GCN自动编码器以及情感分类器；通过预训练BERT编码器获取第一特征向量，通过GCN自动编码器获取包含背景常识和方面观点词情感对齐的第二特征向量；拼接两个编码器产生的特征向量作为句子的向量输入情感分类器，计算输入文本所有可能极性的概率，选择概率最大的情感标签作为最终的预测情感标签，完成情感分析任务。本发明利用对抗训练将源领域和目标领域数据映射到同一分布空间，从而提高模型从源领域迁移到目标领域的实体预测效果，可广泛应用于自然语言处理技术领域。

摘要： 本申请提供了一种情感词情感强度确定方法和装置，该方法包括：获得预先生成的情感词集，其中，所述情感词集包括多个情感词；针对情感词集中的每个情感词，基于该情感词与所述情感词集中第一预设数目情感词中的各情感词之间相关度，计算得到该情感词的情感权值，所述情感权值用于衡量该情感词所表征的情感强度。

摘要： 本发明提供了一种基于特定领域情感词的文档级情感分析方法，按如下顺序进行：收集文档数据集，使用Skip‑gram词向量模型训练原型单词的集合，得到每个原型单词对应的词向量，并利用注意力机制对词向量进行重组，捕获词向量中非连续词之间的关系；分别使用非对称卷积神经网络和基于注意力机制的双向门循环神经网络对词和句子进行合成，形成文档向量特征；利用Skip‑gram词向量模型的领域情感词典，生成情感特征向量；最后，利用线性结合层将文档向量特征和情感特征向量相结合，形成有利于文档分类的文档特征。情感分析被广泛应用于产品分析、商品推荐、股票价格趋势预测等，本发明提供的方法能准确、高效地对文档进行情感分析，具有很大的商业价值。

摘要： 一种基于情感词随机共现网络的细粒度情感分类方法，采用随机网络理论，利用词语共现现象，经过情感本体词汇词库的标注，形成一个以情感特征构建的基于词语顺序的随机网络模型，即情感词共现网络模型，在此基础上进行模型约简，将情感词最长匹配方法和TC算法结合进行SWLM‑TC无监督学习分类，或进一步将情感词最长匹配方法和HMM机器学习算法结合建立细粒度情感分类模型并利用该模型实现分类预测；本发明可实现段落级文本的细粒度情感分类，提高了单纯TC算法的精度，使分类更加准确，使用SWLM‑TC对样本集进行HMM模型训练之后并对待测样本库进行情绪分类，提高了单纯机器学习算法的自动化。

摘要： 本发明涉及一种基于情感词匹配的人才情感倾向检测方法，具体包括以下步骤：S1、获取待评价人才的身份信息，根据身份信息确定待评价人才在社交网络平台的用户名称；S2、根据用户名称采集待评价人才在社交网络平台上的社交信息，从社交信息中提取情感关键词，并对提取出的情感关键词进行分类；S3、将分类完成的情感关键词与相应类别的情感词库进行匹配，根据匹配结果确定待评价人才的人才情感倾向。与现有技术相比，本发明具有扩展情感词分析时的基础词源范围、提高人才情感倾向分析结果的准确性和稳定性等优点。

摘要： 本发明涉及一种基于情感词匹配与频度结合的情感程度检测方法，具体包括以下步骤：S1、获取待评价人才的主题需求信息，根据主题需求信息构建相应的情感语料库；S2、采集待评价人才在社交网络平台上存在操作记录的文本内容，从文本内容中提取情感关键词；S3、将提取出的情感关键词与情感语料库中的情感标准词进行匹配，对情感关键词中情感标准词的出现频次进行统计；S4、对出现频次的统计结果进行对比分析，确定待评价人才的情感倾向程度。与现有技术相比，本发明具有避免偶发因素对情感倾向的判断，提高了情感倾向程度判断结果的准确性和稳定性等优点。

摘要： 本发明公开了一种基于情感词典和词概率分布的情感会话生成方法，包括：对生成句子中的单词进行情感词嵌入；将情感词嵌入输入到编码器‑解码器框架中，利用解码器的状态计算所述生成句子中下一个单词分别对应于情感词和通用词的生成概率；根据预设的规则将情感词和通用词的生成概率进行连接，建立会话模型，得到生成句子中的下一个单词；计算输入句子和生成句子中已生成部分的情感相似度，采用情感损失函数对会话模型进行训练，以使生成的句子与输入句子的情感偏差小于设定偏差阈值。本发明提出一种在生成句子时考虑情感的方法，平衡了生成句子时的语法通顺性和情感表达，提高了会话生成的效率和满意度。

摘要： 本申请提供了一种情感词情感强度确定方法和装置，该方法包括：获得预先生成的情感词集，其中，所述情感词集包括多个情感词；针对情感词集中的每个情感词，基于该情感词与所述情感词集中第一预设数目情感词中的各情感词之间相关度，计算得到该情感词的情感权值，所述情感权值用于衡量该情感词所表征的情感强度。

摘要： 本发明涉及基于情感词扩充的短文本情感分类方法，属于计算机与信息科学技术领域。本发明首先将评论文本切分成句子集合，利用jieba分词工具进行分词和词性标注，得到预处理结果；其次，针对每一条短文本评论，用维基百科语料训练Glove获得每个词语的词向量，利用词向量计算其他词语与词性为N、V、Adj和Adv的初始情感特征的语义相似度，将语义相近的词扩充至初始情感特征集；然后提出DF‑TF‑MI，利用词语间统计特征改进传统特征降维方法进行特征降维，得到低维的特征集，再经过情感特征加权；最后将得到的特征向量通过由弱分类器加权组成的RADA算法进行情感倾向性分类。本发明解决了情感词典存在未登录词的问题，同时有效解决了短文本评论有效情感词少导致情感特征稀疏的问题，提升了情感倾向性分析的性能及准确率。

摘要： 本发明提供了一种基于特定领域情感词的文档级情感分析方法，按如下顺序进行：收集文档数据集，使用Skip‑gram词向量模型训练原型单词的集合，得到每个原型单词对应的词向量，并利用注意力机制对词向量进行重组，捕获词向量中非连续词之间的关系；分别使用非对称卷积神经网络和基于注意力机制的双向门循环神经网络对词和句子进行合成，形成文档向量特征；利用Skip‑gram词向量模型的领域情感词典，生成情感特征向量；最后，利用线性结合层将文档向量特征和情感特征向量相结合，形成有利于文档分类的文档特征。情感分析被广泛应用于产品分析、商品推荐、股票价格趋势预测等，本发明提供的方法能准确、高效地对文档进行情感分析，具有很大的商业价值。