情感分类
情感分类的相关文献在2003年到2023年内共计1161篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、科学、科学研究
等领域,其中期刊论文528篇、会议论文24篇、专利文献72310篇;相关期刊221种,包括现代图书情报技术、电脑知识与技术、计算机工程等;
相关会议20种,包括中国中文信息学会2015学术年会(CIPS2015)暨第十四届全国计算语言学学术会议(CCL2015)、第三届基于自然标注大数据的自然语言处理国际学术研讨会(NLP-NABD2015)、2014湖北省计算机学会学术年会、第六届全国青年计算语言学会议等;情感分类的相关文献由2580位作者贡献,包括李寿山、周国栋、薛云等。
情感分类—发文量
专利文献>
论文:72310篇
占比:99.24%
总计:72862篇
情感分类
-研究学者
- 李寿山
- 周国栋
- 薛云
- 王中卿
- 廖祥文
- 余正涛
- 相艳
- 古东宏
- 王素格
- 程学旗
- 傅向华
- 冯翱
- 朱振方
- 陈浩
- 刘培玉
- 曾碧卿
- 王洪伟
- 胡晓晖
- 赵传君
- 吴渝
- 吾守尔·斯拉木
- 夏睿
- 姜明
- 宗成庆
- 张旻
- 张莉萍
- 徐华
- 朱小飞
- 李培峰
- 李德玉
- 杨杰
- 杨驰
- 汤景凡
- 秦兵
- 程克非
- 线岩团
- 胡学钢
- 蔡倩华
- 谭松波
- 赵妍妍
- 郭军军
- 陈开志
- 陈秉良
- 雷大江
- 黄伟豪
- 刘小洋
- 卢昕
- 吴含前
- 周咏梅
- 唐佳佳
-
-
潘梦强;
黎巎;
董微;
黄先开;
张青川
-
-
摘要:
文本情感分类领域性强,传统情感分类方法在多领域混合数据上效果不佳。为了提升多领域混合情境下文本情感分类的准确率,使用双向编码器表征模型(bidirectional encoder representations from transformers,BERT)得到短文本的初级表征;利用对抗网络提取与领域无关的情感特征;利用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)提取上下文特征;将提取到的两种特征进行融合,构成基于对抗网络和BERT的情感分类模型,提升情感分类准确率。在公开数据集上进行的对比实验表明:基于对抗网络和BERT的情感分类模型相比于基线模型具有更高的准确率,准确率在两个数据集上分别达到了95.25%和93.61%,并且在领域差别较大的数据集上有着更好的表现,初步验证了多领域混合情景下情感分类模型的有效性。提出的模型适用于电商平台对商品进行实时监测之类涉及多领域的场景。
-
-
徐况;
夏献军;
冯强中;
王颜颜
-
-
摘要:
针对特定的银行产品评论业务场景,从自然语言处理(natural language processing,NLP)的角度出发,将产品评论观点提取和评价任务分别转化为自然语言处理技术中的序列标注问题和情感分类问题,使用ERNIE(enhanced language representation with informative entities)模型进行微调来实现对银行产品评论中的银行名称、产品名、用户观点等实体的自动提取以及对评论文本的自动评价。通过在真实数据集上的验证,微调后的模型能够实现对银行产品评论观点文本中实体进行自动提取和评价且效果良好。
-
-
史伟;
薛广聪;
何绍义
-
-
摘要:
[目的/意义]基于情感视角对国内外网络舆情的研究进展和发展趋势进行分析,旨在帮助相关领域学者了解其研究热点和发展方向,为未来进一步的拓展研究提供理论支持和参考。[研究设计/方法]运用词云、CiteSpace对该领域文献数量、关键词、研究热点进行可视化分析,并通过文献分析法对国内外网络舆情情感分类、情感演化、情感预测和网络舆情治理四个方面的研究进展进行归纳与对比。[结论/发现]通过对国内外相关文献的归纳和整理,综述了情感视角下的网络舆情研究情况,总结出该领域未来的发展方向。[创新/价值]从网络舆情情感分析的不同阶段对国内外网络舆情研究进行梳理,分析了研究要点和未来发展方向,为进一步开展网络舆情研究提供参考。
-
-
肖文杰
-
-
摘要:
情感是一个复杂的概念,涉及个人主观经历、心理活动以及外界环境等多个因素,甚至可能被伪装,客观上难以对其评估。因此如何理解情感就成为科学家的困惑[1]。早在20世纪50年代,心理学、神经学、行为学等领域专家分别对情感表达了不同的学术观点。然而神经学、行为学对情感状态下的大脑结构展开研究,其成果并不能构成情感分类理论[1]。有关情感分类理论的研究主要由心理学界推进。
-
-
刘文远;
郭智存;
郭丁丁
-
-
摘要:
方面级细粒度情感分类是指针对文本数据,分析其在指定方面的情感极性。由于获取到的评论样本往往涉及不同的方面,导致各个方面的情感极性不平衡。为了减少不平衡数据对模型训练的影响,本文提出了一种新的数据平衡方法——批处理平衡方法(BB),用来平衡多标签多类别数据。同时,由于评论文本蕴含多个方面,传统模型结构往往每次只能预测一个方面的情感。为了提高情感挖掘效率,本文提出了自动关注不同方面的情感注意力网络——双向循环卷积注意力网络(Attn-Bi-LCNN)模型。模型会同时关注不同方面的不同情感信息形成情感语义矩阵,根据情感矩阵进行情感预测。对比实验表明,模型取得了更好的预测结果和更快的运算速度。
-
-
张顺;
王东娟;
付薇薇
-
-
摘要:
为了适应旅游大数据的发展,监控旅游舆情发展导向,构建一种能够精准有效地对旅游评论进行情感分类的技术,提出了改进BERT(bidirectional encoder representation from transformers)的旅游分类模型。首先对我国在线旅游平台进行了调研,收录美团、携程、去哪儿、大众点评、马蜂窝、途鹰、同程、京东、途牛、百度旅游、驴妈妈、艺龙等12个主流在线旅游平台的部分评论数据,根据数据特征,对比TextRNN、TextCNN、TextRCNN、DPCNN、Transformer、BERT以及以BERT作为预训练模型追加以上网络作为改进算法,最终实验证明改进的BERT模型分类的准确率以及召回率都提升接近3%。
-
-
王辉;
刘蕾;
沈黄金;
田鑫宇;
朱大洲
-
-
摘要:
在网络舆情监测中,面对大量的网络信息,须借助先进的信息技术来实现网络舆情监测的自动化和智能化。对舆情监测系统中的主题爬虫技术、话题跟踪与检测技术、情感分类技术等关键技术的应用现状进行了梳理,可为舆情监测系统开发应用提供参考。
-
-
林伟
-
-
摘要:
微博短文本蕴含着较为丰富的情感信息,基于微博数据的情感分析已成为网络舆情监测的重要任务。为提高中文微博情感分类效果,提出一种基于粒子群优化(PSO)的长短期记忆(LSTM)模型(PSO-LSTM),该模型在LSTM模型的基础上进行了参数优化,能够更有效获取微博信息。实验以新冠肺炎疫情期间的微博数据集构建PSO-LSTM模型,与其它模型进行了比对实验。实验结果表明,PSO-LSTM模型能够有效提升中文微博情感分类的性能。
-
-
刘银婷;
李秋敏;
詹洁
-
-
摘要:
随着共享经济的发展,付费自习室在全国逐步推广,但作为新兴行业付费自习室的发展并不完善,基于在线评论能够客观全面地反映市场需求实现的程度,对付费自习室的发展有着借鉴意义。因此,本文通过收集美团平台中付费自习室的在线评论,进行情感倾向分类、语义网络分析和潜在主题分析,建立正面、负面评价的词频联系,提取潜在主题,最后得到消费者对付费自习室的满意点与抱怨点,并对付费自习室的发展提出建议。
-
-
林夕;
陈孜卓;
王中卿
-
-
摘要:
情感分类一直是自然语言处理领域的重要研究部分。该任务一般是将带有情感色彩的样本分类成正类和负类两种类别。在很多理论模型中,都假设正负类数据样本是平衡的,而在现实中正负类样本一般是不平衡的。提出一种基于属性级的LSTM集成学习的方法,针对不平衡样本数据进行属性级情感分类。首先,对数据集进行欠采样处理,将其分成多组;其次,为每组数据分配一种分类算法进行训练;最后,将多组模型融合,得到最终分类结果。一系列的实验结果显示,基于属性级的LSTM集成学习的方法明显提高了分类的准确性,其性能优于传统的LSTM模型分类方法。
-
-
-
ZHOU Yong-mei;
周咏梅;
WANG Wei;
王伟;
YANG Ai-min;
阳爱民;
LIN Jiang-hao;
林江豪;
Fang Ze-feng;
方泽锋
- 《中国中文信息学会2015学术年会(CIPS2015)暨第十四届全国计算语言学学术会议(CCL2015)、第三届基于自然标注大数据的自然语言处理国际学术研讨会(NLP-NABD2015)》
| 2015年
-
摘要:
针对由微博短文本特征规模大、自身特征较少等特点导致的数据稀疏性,提出一种基于特征簇的微博情感分类方法.提出的分类方法以大规模语料库为基础,利用word2vec模型学习词语之间潜在的语义关联,将单个词语表示成多维向量的形式;结合情感词典,提取出微博文本的情感特征集,在基于词向量计算词语相似度方法的基础上,将情感特征合并为特征簇,以此构造低维的文本向量;最后利用机器学习算法,构建情感分类器,实现微博短文本的情感分类.实验结果表明,本文提出的方法对情感特征的降维是可行和有效的,并且取得很好的情感分类效果.
-
-
-
GU Yi-jun;
顾益军;
LIU Xiao-ming;
刘小明
- 《2014湖北省计算机学会学术年会》
| 2014年
-
摘要:
为了通过融合多种情感资源库中的词汇情感特征采提高微博情感分类精度,提出了一种词汇情感确定性度量的计算方法,并以此为基础将在多种情感词汇上获取的情感特征融合为词汇的综合情感特征,然后采用机器学习的分类方法实现微博观点句识别和观点句情感倾向性判定.实验表明,本方法利用词汇的情感确定性度量,统一了词汇情感倾向性的强度度量,在观点句识别和观点句情感倾向性判定两个情感分类任务中都取得了较好的性能.
-
-
-
-
霍欢;
张薇;
刘亮;
李洋
- 《第十六届全国计算语言学学术会议暨第五届基于自然标注大数据的自然语言处理国际学术研讨会》
| 2017年
-
摘要:
在多数神经网络模型仍然将目光放在顺序结构上时,近期出现的两种基于句法树的模型TreeLSTMs和TBCNNs由于加入了结构信息而在多个自然语言处理任务上表现出色.考虑到TreeLSTMs因计算空间关联性使其训练效率不高,为了改进这一缺点,本文提出一种针对句法树的混合神经网络模型,借助TBCNNs的树卷积和池化方法实现了类似TreeLSTMs的计算,故将此模型命名为Quasi-TreeLSTMs.本文在依存树和支持树上分别构建了模型的两种版本Dependency Quasi-TreeLSTMs和Constituency Quasi-TreeLSTMs,实验结果表明,在情感分类和语义相似性两类任务上Quasi-TreeLSTMs的表现优异.
-
-
-