情感词典
情感词典的相关文献在2008年到2022年内共计333篇,主要集中在自动化技术、计算机技术、信息与知识传播、科学、科学研究
等领域,其中期刊论文252篇、会议论文9篇、专利文献5430篇;相关期刊142种,包括现代图书情报技术、阜阳师范学院学报(自然科学版)、科学技术与工程等;
相关会议7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)、2013年全国理论计算机科学学术年会、第六届全国搜索引擎和网上信息挖掘学术研讨会等;情感词典的相关文献由817位作者贡献,包括徐健、阳爱民、周咏梅等。
情感词典
-研究学者
- 徐健
- 阳爱民
- 周咏梅
- 夏睿
- 张华平
- 王科
- 卢奇
- 印鉴
- 周国栋
- 周清清
- 孙界平
- 李显勇
- 李齐治
- 杜亚军
- 林江豪
- 王素格
- 琚生根
- 胡思才
- 范永全
- 袁媛
- 邓淑卿
- 郑诚
- 陈文亮
- 陈晓亮
- 首欢容
- 马少平
- YANG Ai-min
- ZHOU Yong-mei
- 丁申宇
- 于健
- 于瑞国
- 任福继
- 伊尔夏提·吐尔贡
- 何中市
- 全昌勤
- 冯钧
- 刘冰冰
- 刘宁
- 刘巍
- 刘慧芬
- 刘昊
- 刘晨阳
- 刘梦娟
- 刘江月
- 刘磊
- 刘若兰
- 刘超
- 刘钢
- 匡皓松
- 华林森
-
-
秦苗;
胡二琴
-
-
摘要:
为帮助企业获得更多的信息,进一步了解客户,预测和增强客户体验,合理改进产品性能,通过情感词典来对汽车行业的网络舆情进行分析与预测.首先对预处理后的文本进行分词,提取关键词,绘制词云图,初步判定舆情中人们关注的热点.然后利用训练集数据对情感词典进行训练,提取文本特征,并采用基于情感词典的传统情感分类法进行文本情感识别分类.分类结果显示,训练集的预测准确率为85.73%,测试集的准确率为83.62%.最后利用LDA模型对文本进行主题分析,得到正面、负面文本数据的第一主题与第二主题.
-
-
张学波;
王卿
-
-
摘要:
当前,社交媒体平台中表达的情绪对国内主流媒体、舆情生态和和谐社会倡导的主流文化具有重要影响作用。本研究采用文本情感分析的研究方法,参考波森语义分析系统下的情感词典,构建词典库,编写分类器,计算2018年4月到12月人民日报微信公众号健康专栏的标题及其相对应评论的情绪值,该分类器达到的平均准确率为85.05%,进一步对标题和评论情绪值进行了假设检验。研究发现,人民日报微信公众号健康专栏标题呈现通俗化、情感化趋势;人民日报微信公众号标题中蕴含的情感会显著性转移至评论者中。
-
-
冯浩甲;
李旸;
王素格;
符玉杰;
慕永利
-
-
摘要:
情绪原因对抽取任务是将情绪子句与原因子句同时抽取。针对该任务,现有模型的编码层未考虑强化情感词语义表示,且仅使用单一图注意力网络,因此,该文提出了一个使用情感词典、图网络和多头注意力的情绪原因对抽取方法(Sen-BiGAT-Inter)。该方法首先利用情感词典与子句中的情感词汇匹配,并将匹配的情感词汇与该子句进行合并,再使用预训练模型BERT(Bidirectional Encoder Representation from Transformers)对句子进行表示。其次,建立两个图注意力网络,分别学习情绪子句和原因子句表示,进而获取候选情绪原因对的表示。在此基础上,应用多头注意力交互机制学习候选情绪原因对的全局信息,同时结合相对位置信息得到候选情绪原因对的表示,用于实现情绪原因对的抽取。在中文情绪原因对抽取数据集上的实验结果显示,相比目前最优的结果,该文所提出的模型在F;值上提升约1.95。
-
-
沈金金;
陈荔
-
-
摘要:
[目的/意义]文本情感分析是自然语言处理的一大重要分支。论文结合了深度学习模型在特征提取方面的优势以及情感词典对网络词情感识别的敏感性,提出了一种将动态记忆网络和情感词典方法相结合的网络文本情感分类模型。[方法/过程]在传统的动态记忆网络中设计情感问题向量,利用基于注意力机制的多跳结构识别并提取句子情感特征,同时构建扩充网络情感词的情感词典并将情感分值与多跳记忆网络所得情感分类结果进行线性加权,减少了对于情感词库的完备性、判断规则质量以及事先标注语料的依赖,提升了训练效率。[结果/结论]在WEIBO_SENTI_100K和NLPCC2013两个数据集上进行实验,证明与单个模型相比,论文模型在两个数据集上都获得了更好的分类效果。
-
-
马子睿
-
-
摘要:
随着智慧旅游的不断发展,以客户体验作为游客出行的重要标准,针对游客发表的旅游景点评论文本,研究了基于情感词典的旅游推荐算法,对景点评论文本进行预处理、文本分词、词云展示,对积极评论和消极评论进行分类后计算分值,并对情感分值求和,将景点分值较高的评论推荐给客户,使得游客精准掌握旅游产品信息。
-
-
汪韬;
张再跃
-
-
摘要:
在对中文网络文本进行情感分析时,情感词典的完备性以及好坏对情感分析的效果有着至关重要的影响。虽然已经有了几个通用的中文情感词典,但是现实生活中电影领域有自身特有的领域词汇、领域词语的特殊使用方式等,现有的几个情感词典若用在电影评论的情感分析中使用,往往效果不佳。现今还没有学者发布行业认可的、官方的可用于分析电影评论的领域情感词典。因此,论文的重点工作是自主构建一个电影领域情感词典,并用其完成电影评论的情感分析任务。
-
-
包淑华;
石盈鑫
-
-
摘要:
国产电影中,观众的影评是影响消费者观看某部影片的主要参考。文中以两部主题相近的国产电影影评数据为基础,对影评情感趋向进行了研究。首先,利用ROSTCM6统计软件构建两部电影的共词矩阵,将两部国产电影影评数据进行评论划分,作出语义网络图;其次,利用Python软件第三方Snow NLP情感分析库对两部国产电影的影评进行情感分数打分,绘制出情感分数图和情感波动图,为两个主题相近的国产电影进行电影特色的进一步辨别提供了有力依据。
-
-
刘昊
-
-
摘要:
社交媒体舆论事件中用户大量的情感显现成为一种普遍现象,情感在舆论事件传播特别是网络传播的过程中发挥了重要的作用。选择长生生物“假疫苗”事件作为案例,采集事件相关微博223903条和微博账号166739个,进行三级细粒度情感分析。研究发现微博信息传播的两个主要渠道评论和转发中均存在情感相关性,但情感传递的关系是一种弱关系。对比微博评论,微博转发过程中情感相关性的特征更明显,且对于更细粒度的情感测量,这种相关性更显著。在同级别情感中“慌”“惧”和负向情感在传播的过程中相关性最明显。不同情感在社交媒体平台传播的过程中快速迭代,迅速达到稳定状态,即产生情感趋同的结果。
-
-
徐德华;
杨芷凌
-
-
摘要:
探究了评分和文本评论之间的关系,检验了两者是否表达出一致的情感倾向。从携程网采集酒店评论和评分数据,利用情感词典,计算了评论文本的特征情感评分及总体得分,通过线性回归和二元回归方法,研究了其与用户实际评分的相关性。实验结果显示,文本情感倾向与评分的相关系数是0.522,为中等程度相关。鲁棒性检验发现,采用不同的情感强度计算方法和不同平台的评价数据,相关系数变化不大。评分与文本评论表达的情感倾向并非完全一致。
-
-
左任衔;
唐振华;
黄晓;
吴江
-
-
摘要:
基于情感分析的引证行为研究通过揭示科研论文引用情感的普遍规律,进而探究引证行为的规律。本研究以OpinionFinder英文情感词典为基础,借助SO-PMI算法计算引文文本中词语的点互信息值来判断词语之间的语义相似度,从而构建了优化的引文领域情感词典。本研究从PLOS ONE期刊数据库收集了信息检索领域1045篇文献的65976处引用进行实证分析。结果表明,这些引用中有84.02%为中性引用,13.11%为正向引用,2.87%为负向引用。本研究可以为其他引文领域情感词典的构建,以及在更大规模引文数据中的应用提供借鉴。
-
-
-
-
-
-
Shou Huanrong;
首欢容;
Deng Shuqing;
邓淑卿;
Xu Jian;
徐健
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:提出一种基于情感分析技术自动识别特定领域谣言的方法. 方法:界定高、低质量信息源,在假设高质量信息源信息更可靠的情况下,通过基于情感词典的情感分析方法,量化高质量信息源与低质量信息源对特定对象的情感差异,判定低质量信息源提供的信息是否属于谣言. 结果:将该方法应用于“食品养生”、“医学健康”两个领域进行谣言识别.在30个疑似谣言案例中准确识别出23个谣言案例,准确率为76.67%.本文提出的谣言识别方法在谣言预测方面的F值为83.34%,查全率为71.42%,查准率为100%;在非谣言文本预测上的F值为72.73%,查全率为100%,查准率为57.14%. 局限:未实现不同信息源数据自动抽取,每个谣言案例下的人工收集的谣言数量有限. 结论:本文基于情感分析的谣言识别方法对特定类型的谣言是有效的.
-
-
Dun Xinhui;
敦欣卉;
Zhang Yunqiu;
张云秋;
Yang Kaixi;
杨铠西
- 《首届数据分析与知识发现学术研讨会》
| 2017年
-
摘要:
目的:对微博进行细粒度情感分析,将情感分为8类,并计算其情感强度值,从而尽可能还原微博用户情感. 方法:通过微博语料分析构建疑问词词表,在大连理工大学情感词汇本体DUTIR的7类情感基础上,丰富一类情感“疑”,并利用点互信息法构建表情符号词典,还综合考虑否定词和程度副词对情感表达的影响,利用Python从新浪微博上获取数据,并用R语言的jiebaR包进行分词,对情感进行分类并计算其强度. 结果:得到微博用户对于糖尿病7类常用药物的8类情感占比及情感强度,并通过正确率、召回率、F值对结果进行验证,其中“怒”和“哀”的正确率最高,分别为85.73%和83.05%,而“乐”和“好”的召回率与F值均最高,为81%以上.本文新增情感“疑”的正确率、召回率、F值分别为77.33%、78.58%、77.95%,均值在8类情感中排名前列,说明其情感识别较好. 局限:由于本文依赖于情感词典进行情感分析,因此为了更好的分析结果,情感词典仍需进一步完善. 结论:本方法具有较高的识别率和可靠性,能够更好地对微博上的情感分类进行细粒度分析.
-
-
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.
-
-
李智超;
马少平
- 《第六届全国搜索引擎和网上信息挖掘学术研讨会》
| 2008年
-
摘要:
针对某一类产品的文本倾向性分析成为了现在研究的热点。该文以搜索引擎的媒体报道为出发点,使用已有的情感词典集合,以及通过信息熵的方法从训练集合中提取特征词,采用贝叶斯分类方法对文本进行倾向性分析,将媒体新闻分为正面报道、负面报道和无倾向性3类,得到了比较理想的正确率。
-