情感分类

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。

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。

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。

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。

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。

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%。

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。

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。

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。

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。

摘要： 由于现有的大部分维吾尔文情感分类方法通过空格分词得到的unigram特征作为文本表示,因此无法挖掘情感表达中的深层语言现象.本文首先构建了15万条维吾尔文评论情感语料库,其次分析评论文本的语言特征,总结了情感短语词性组合规则,并基于文档频率的特征选择方法(DF)抽取了潜在的具有丰富情感倾向的情感短语.最后把这些短语按不同比例与umgram特征进行组合,采用支持向量机(SVM)分类器实现了评论语料的正负二元分类.与常用的unigram,bigram特征在本文数据集上的分类结果相比,本文提取的情感短语与unigram的组合特征取得了较高的分类MacroF1值.本文所得到的情感短语可以作为维吾尔文情感词典的扩充候选集.

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.

摘要： 公众情感在包括电影评论、消费者信心、政治选举、股票走势预测等众多领域发挥着越来越大的影响力.面向公共媒体内容开展情感分析是分析公众情感的一项基础工作.经典的基于词频特征向量的特征提取方法,主要利用词频作为文本分类的依据,而词频与情感信息之间的关系并不紧密.针对Twitter推文的特点,本文提出了一种采用基于情感特征向量的Twitter推文情感分类方法.该方法首先通过对推文进行数据清洗、词形还原、词性标注和词汇向量化;其次,将单词匹配到情感词典中;最后,利用每个单词的正向情感、负向情感取值生成情感特征向量,通过MNB、SVM等机器学习方法训练模型,对推文的情感进行分类.实验结果表明采用情感特征向量的Twitter推文情感分类方法能够获得更佳的分类性能.

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.

摘要： 目前，情感分类是自然语言处理领域的一个热点研究问题，该任务旨在对文本所表达的情感色彩信息(例如，褒或贬，支持或反对)进行分类。本文重点研究一种新型的情感分类任务，关注一种特殊情感的分析，即人们对未上市产品或未上映电影等尚未出现事物的评论所表达的倾向情感分析。同已有工作所关注的对存在事物的情感(我们称之为“体验情感”)相比，这种新型情感(我们称之为“期望情感”)有着自身的情感表达特性，从而需要自身独特的资源进行自动分类。为了进行“期望情感”分析的研究，我们收集了未上映电影评论，并考察基于不同特征及不同分类方法的机器学习方法在这种任务中的表现。实验结果表明机器学习方法对于这种情感的分类能够取得非常好的分类效果。同时我们发现基于期望情感的分类与基于体验情感的分类有着明显差别，仅仅使用体验情感的资源不能胜任期望情感的分类任务，进而验证了本文收集语料和单独分析这种情感的必要性。

摘要： 意见挖掘指的是，片段识别,序列标注任务，片段关联判定,关系分类，给定片段,情感分类(实体级别情感分析)，片段识别主要集中在三类片段:意见表述方式(Expression)，意见持有者(Holder)，意见对象(Target)。

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.

摘要： 以社交媒体中公众对企业突发事件的反馈内容为目标,本文通过LDA主题建模、构造情感词分类器、情感计算等手段,提出了一个监测社交媒体中企业突发事件的公众观点、情感强度及演化的方法框架.同时以微博作为研究平台,选择企业官方微博中的热点事件评论为研究对象,基于Python环境,利用Word2vec训练出来的情感词向量做情感计算,解决了情感词典完备性不足和时效性低的缺点,验证了方法的有效性.

摘要： 以社交媒体中公众对企业突发事件的反馈内容为目标,本文通过LDA主题建模、构造情感词分类器、情感计算等手段,提出了一个监测社交媒体中企业突发事件的公众观点、情感强度及演化的方法框架.同时以微博作为研究平台,选择企业官方微博中的热点事件评论为研究对象,基于Python环境,利用Word2vec训练出来的情感词向量做情感计算,解决了情感词典完备性不足和时效性低的缺点,验证了方法的有效性.

摘要： 以社交媒体中公众对企业突发事件的反馈内容为目标,本文通过LDA主题建模、构造情感词分类器、情感计算等手段,提出了一个监测社交媒体中企业突发事件的公众观点、情感强度及演化的方法框架.同时以微博作为研究平台,选择企业官方微博中的热点事件评论为研究对象,基于Python环境,利用Word2vec训练出来的情感词向量做情感计算,解决了情感词典完备性不足和时效性低的缺点,验证了方法的有效性.

摘要： 本发明公开了评论文本情感分类模型训练与情感分类方法、装置及设备，属于自然语言处理的文本情感分类领域。模型训练包括：获取评论文本、关联的主体和客体信息；基于第一层Bi‑LSTM网络融入评论主体和客体注意力机制提取句子级特征表示；在基于第二层Bi‑LSTM网络融入评论主体和客体注意力机制提取文档级特征表示；采用双曲正切非线性映射函数将文档级特征映射至情感类别空间，采用softmax分类，对模型中的参数进行训练，得到最优文本情感分类模型。本发明采用层次双向Bi‑LSTM网络模型和注意力机制，不仅可以实现文本的上下文语义稳健感知与语义表达，还可以显著改善文本情感分类的鲁棒性，提高分类正确率。

摘要： 本发明涉及一种结合At_GRU神经网络与情感词典的旅游评价情感分类方法，用以根据游客对该旅行全程的评价文本实现旅游用户对旅游整体的评价语义分类，包括以下步骤：1)情感特征处理阶段：通过构建复合型旅游专用情感词典对旅游评论中的情感特征进行向量化处理；2)数据预处理阶段：对原始评论文本训练词向量并进行上下文向量拼接，将拼接后的向量与向量化后的情感特征进行融合，作为双向GRU神经网络的输入；3)双向GRU文本语义分类模型阶段：训练双向GRU神经网络并对旅游评价情感进行分类。与现有技术相比，本发明具有精确度高、考虑情感词典的准确度和机器学习的鲁棒性等优点。

摘要： 本发明公开了一种融合情感特征和语义特征的文本情感分类方法，包括：利用主题模型得到文本数据的主题概率分布，得到文本数据的语义特征，构建一种神经网络模型，训练神经网络，得到文本数据的情感特征，并利用文本的情感特征结合文本的语义特征进行文本情感倾向性的判别。对比现有的文本情感倾向性分析方法，本方法突出考虑了带有情感标签文本的情感特征和语义特征关系，并且能同时利用这两种信息进行情感倾向性的判别。在具体的数据集实验当中，可以得到更高的情感分类精度。

摘要： 本发明提供了一种基于新型情感词典的网络平台短文本混合情感分类方法，该方法将已经标记好情感的样本中的文本进行分词处理；统计每个词在某个情感的所有样本中的词频；并利用每个词的词频计算出每个词所对应的情感权重；将每个词的情感权重记录下来，得到一个新型的情感词典；利用新型情感词典对待分类的样本进行情感权重计算，得到一个包含了每种情感的情感权重的情感向量；将该情感向量输入到深度学习模型中，作为深度学习模型输入层的特征表示；最终得到混合情感分类结果。该方法将网络平台的短文本中的情感浓缩到了一个简短的情感向量之中，从而提升了利用深度学习实现混合情感分类的训练速度以及减少了模型在训练时的内存占用量。

摘要： 本申请提供了一种情感分类网络训练方法包括：将目标域文本集中的每一文本进行分词得到与每一文本对应的第一词语样本集和第二词语样本集，计算第一词语样本集的词向量和计算第二词语样本集的词向量得到第一词向量集和第二词向量集；将第一词向量集和第二词向量集中对应文本中相同词语样本的词向量进行拼接得到拼接词向量；将文本中的词语用对应的拼接词向量进行代替得到文本样本；将文本样本输入特征提取网络进行特征提取得到带有情感特征的训练样本；以及将带有情感特征的训练样本输入初始分类网络进行训练得到目标域的情感分类网络。本申请还提供了一种情感分类方法、情感分类模型、计算机可读存储介质以及计算机设备。

摘要： 本公开提供了一种采用情感分类模型进行情感分类的方法和情感分类模型的训练方法，涉及人工智能领域，具体涉及自然语言处理领域、深度学习领域和云计算领域，可以但不限于应用于智慧城市等场景中。采用情感分类模型进行情感分类的方法的具体实现方案为：将待处理文本输入情感分类模型的特征提取网络，得到待处理文本的第一文本特征；基于第一文本特征，采用情感分类模型的方面分类网络确定待处理文本的第一方面类别特征和多个预定方面类别中待处理文本的方面类别；以及基于第一方面类别特征和第一文本特征，采用情感分类模型的情感分类网络确定待处理文本在多个预定方面类别的情感类别。

摘要： 本发明公开了评论文本情感分类模型训练与情感分类方法、装置及设备，属于自然语言处理的文本情感分类领域。模型训练包括：获取评论文本、关联的主体和客体信息；基于第一层Bi‑LSTM网络融入评论主体和客体注意力机制提取句子级特征表示；在基于第二层Bi‑LSTM网络融入评论主体和客体注意力机制提取文档级特征表示；采用双曲正切非线性映射函数将文档级特征映射至情感类别空间，采用softmax分类，对模型中的参数进行训练，得到最优文本情感分类模型。本发明采用层次双向Bi‑LSTM网络模型和注意力机制，不仅可以实现文本的上下文语义稳健感知与语义表达，还可以显著改善文本情感分类的鲁棒性，提高分类正确率。

摘要： 本申请提供一种分类器训练方法、分类器和情感分类系统，上述方法包括：获取主题集合中至少一个主题的已标注的评论文本，作为训练样本；获取主题集合中至少一个主题的未标注的评论文本，作为未标注样本；采用标签传播算法预测所述未标注样本；采用预测后的所述未标注样本和所述训练样本训练分类器。本方案除了通过利用已经标注过的评论文本对分类器进行训练之外，还利用未标注的评论文本对所述分类器进行训练，并且采用所述未标注的评论文本对所述分类器进行训练后，显著提高了所述分类器的分类精度。在不明显提高用户工作量的基础上，有效的提高了分类器的精准度。

摘要： 本发明涉及基于情感语义对抗的跨语言情感分类方法，属自然语言处理领域。本发明包括：构建汉越疫情相关社交媒体评论的数据集；将句子以及句子中情感词拼接，用卷积神经网络对拼接后的句子分别进行联合表征，分别获得单语语义空间下的情感语义表征；其次，通过对抗网络，在双语情感语义空间将带标签数据与无标记数据的情感语义表征进行对齐；最后将句子与情感词最显著的表征进行拼接，得到情感倾向性分析结果。本发明通过融合情感信息信作为背景信息实现了跨语言情感倾向性分析，从获取的舆情数据中为低资源数据获得情感分类结果，为后续的文本分类及低资源语言细粒度情感分析提供了支撑。

摘要： 本公开提供了一种确定对象情感的方法，涉及人工智能领域，尤其涉及深度学习和计算机视觉领域。具体实现方案为：针对目标对象的多模态数据中每个单模态数据，利用单模态数据的第一权重对单模态数据的特征进行加权，得到每个单模态数据的第一加权特征；多模态数据包括多个单模态数据；根据单模态数据的第一权重，利用特征融合模型对多个单模态数据的第一加权特征进行融合，得到第一融合特征；利用分类模型对第一融合特征进行分类，得到目标对象的情感分类结果。本公开还提供了一种训练情感分类模型的方法、装置、电子设备、存储介质。