中文微博

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： 针对当前立场检测任务中目标短语在文本中隐式出现导致分类效果差的问题,提出一种基于异核卷积双注意机制(HCDAM)的立场检测模型.采用三段式策略,为提高目标短语和文本的特征表示能力,采用Bert预训练模型获得基于字符级的包含上下文的词向量表示;为提高隐式目标短语的抽取能力,采取异核卷积注意模式获取含不同位置和语义信息的卷积特征;通过再注意力机制利用显隐式目标短语对文本进行立场信息特征抽取,通过softmax分类器进行分类.基于NLPCC语料的实验结果表明,通过采用异核卷积双注意策略,相比Bert-Condition-CNN模型,在总数据集上平均分类准确率提高了0.108,在5个话题上分类准确率分别提高了0.146、0.046、0.133、0.047、0.056.

摘要： 为改善中文微博领域现有中文分词不准确且微博文本不规范问题,提出将cw2vec和CNN-BiLSTM注意力相结合的混合深度学习模型方法进行中文微博情感分类。首先使用cw2vec进行中文词向量训练,转换为相应的向量作为分类模型输入,然后利用CNN提取局部特征,采用BiLSTM提取上下文特征进行深度学习,最后增加注意力模型获取重要特征,并使用Softmax函数进行分类。实验结果表明,使用cw2vec模型训练中文微博词时,准确率达到88.72%,使用cw2vec和CNN-BiLSTM注意力混合深度学习模型的精确率、召回率和F1值比单一深度学习模型分别提升1.88%、3.56%和2.72%,证明cw2vec和CNN-BiLSTM注意力混合深度学习模型结合方法在中文微博情感分类任务中的有效性。

摘要： 为改善中文微博领域现有中文分词不准确且微博文本不规范问题,提出将cw2vec和CNN-BiLSTM注意力相结合的混合深度学习模型方法进行中文微博情感分类.首先使用cw2vec进行中文词向量训练,转换为相应的向量作为分类模型输入,然后利用CNN提取局部特征,采用BiLSTM提取上下文特征进行深度学习,最后增加注意力模型获取重要特征,并使用Softmax函数进行分类.实验结果表明,使用cw2vec模型训练中文微博词时,准确率达到88.72％,使用cw2vec和CNN-BiLSTM注意力混合深度学习模型的精确率、召回率和F1值比单一深度学习模型分别提升1.88％、3.56％ 和2.72％,证明cw2vec和CNN-BiLSTM注意力混合深度学习模型结合方法在中文微博情感分类任务中的有效性.

摘要： 微博中,用户往往会对于某一话题表达出自己的态度立场:支持、反对或者中立,对用户评论进行立场检测以获得用户立场倾向,可以更好地进行舆情管控、产品调研、用户分析等工作.传统的立场检测任务往往被归类于情感分析,或者单一考虑用户立场倾向,并未结合特定话题目标.基于图卷积网络(GCN)与双向长短期记忆网络(Bi-LSTM)方法进行微博立场检测,先根据双向LSTM捕获句子的特征,再依据句子间的句法关系以及句中词语间的依赖关系,根据依存句法树建立图卷积网络,通过对话题建立注意力机制算出注意力分数,最后通过Softmax层进行立场倾向分类.实验结果表明:所采用的网络在NLPCC2016数据集有效地提高了准确度,采用图卷积网络能有效进行立场检测.

摘要： 微博中,用户往往会对于某一话题表达出自己的态度立场:支持、反对或者中立,对用户评论进行立场检测以获得用户立场倾向,可以更好地进行舆情管控、产品调研、用户分析等工作。传统的立场检测任务往往被归类于情感分析,或者单一考虑用户立场倾向,并未结合特定话题目标。基于图卷积网络(GCN)与双向长短期记忆网络(Bi-LSTM)方法进行微博立场检测,先根据双向LSTM捕获句子的特征,再依据句子间的句法关系以及句中词语间的依赖关系,根据依存句法树建立图卷积网络,通过对话题建立注意力机制算出注意力分数,最后通过Softmax层进行立场倾向分类。实验结果表明:所采用的网络在NLPCC2016数据集有效地提高了准确度,采用图卷积网络能有效进行立场检测。

摘要： 针对中文微博用户性别分类研究工作较少, 微博特征提取不完善, 分类准确率有待提升的问题, 提出一种两分类器融合的中文微博用户性别分类方法.从微博文本数据中提取一系列手工特征构建分类器, 得到分类结果;利用卷积神经网络模型自动提取特征, 对用户的性别进行分类并得到分类结果;将两个分类器的结果利用XGBoost模型进行融合, 得到最终的用户性别分类结果.实验结果表明, 该方法相比一系列对比方法有更好的分类结果.%Aiming at the problem that Chinese micro-blog user gender classification research is less, micro-blog feature extraction is not perfect, and classification accuracy needs to be improved, agender classification method based on two classifier fusion for Chinese micro-blog users was proposed.A series of manual features was extracted to build a classifier from micro-blog texts and the classification results were got.The automatic features extracted by convolutional neural network model were used to build another classifier and obtain the classification results.The results of the two classifiers were fused using the XGBoost model to obtain the final user gender classification results.Experimental results show that the proposed method has better classification results than a series of contrast methods.

摘要： 中文微博命名实体的有效识别对使用微博进行社会舆论监测具有重要意义.鉴于微博更新速度快、语言不规范、噪声多,使得命名实体识别成本高、识别效率低.针对这些问题,提出基于众包标注的中文微博命名实体识别的方法.对众包工作者的能力进行评估,使用最大期望算法(EM算法)对评估后的能力值进行分析学习,过滤掉每个标注者的噪声并对众包标注的结果进行优化,从而确定最后的命名实体.实验结果表明,该方法能够有效地提高中文微博中命名实体识别的准确率.

摘要： 基于当前机器学习方法在中文微博文本情感分析处理过程中的复杂性、低准确率等问题,文中提出在统计情感词的基础上,结合情感影响因子和语义规则,并加入表情特征这一重要元素,优化文本情感加权计算方法,提高情感判断的准确率.通过对爬取到的原创微博数据集进行实验分析,验证了新情感分析算法的可行性.

摘要： 本文使用组合分析方法对中文微博的情感倾向进行判定.首先使用微博的内容特征进行主客观分类,分离主观微博和客观微博;然后在主观微博数据集中,使用有监督分类的方法(SVM),依然采用微博的内容特征判别微博情感极性,得到正面微博数据集合和负面微博数据集合;最后利用微博的关联特征对分类结果进行优化.实验结果表明该组合方法可以有效地判别微博情感倾向.

摘要： 目前微博已经成为重要的信息发布与获取平台,越来越多的用户通过检索微博获取感兴趣的话题信息.本文针对目前微博对检索的结果仅按博文的创建时间或作者组织,没有整理分散碎片化的博文信息而导致无法快速了解检索话题内容的问题,提出对微博的检索结果聚类划分,以子话题的形式展示检索结果.首先利用主题模型对微博检索结果构造主题向量,然后使用Single-pass增量聚类算法对主题向量聚类划分成子话题,最后提出一种主题倾向性的标签提取算法TopicRank,提取子话题标签.实验结果表明划分有意义的子话题的准确率87.5％,标签提取算法较基准实验准确率提高11.9％。

摘要： 本文对具有对长度短、结构复杂以及变形词多等特点的短文本倾向性分类进行深入研究,目的是提高倾向性分类的准确性和效率.本文以HowNet的情感词典为基础,提出一个微博新词发现算法,构建微博情感词典.在对文本进行分句、分词、标注、情感处理等后,构建一个自动机来计算短文本情感倾向性.为了客观评价本文方法,选择基于HowNet的分类方法、基于SVM的分类方法进行比较性实验.实验结果表明本文提出的方法在一般文本分类上与SVM效果类似,在短文本上则具有明显的优势.本文提出的方法在效率上也具有突出优势.

摘要： 本发明揭示了一种微博整合方法、微博终端、微博列表、微博话题服务器及系统。其中该微博整合方法，包括步骤：微博终端根据话题内容查询微博话题服务器，获取话题的话题标识；发送建立所述话题与所述微博终端所属的微博列表关联关系的建立指令至微博列表服务器和/或微博话题服务器；所述建立指令的内容包括话题标识以及微博列表标识；所述关联关系包括映射关系和/或收听关系；微博列表服务器根据所述微博列表标识，查找与微博列表标识对应的数据内容，并将所述话题标识写入至所述数据内容，建立映射关系。本发明实现了微博的话题与微博列表之间的整合，提升用户体验。

摘要： 本发明揭示了一种微博整合方法、微博终端、微博列表、微博话题服务器及系统。其中该微博整合方法，包括步骤：微博终端根据话题内容查询微博话题服务器，获取话题的话题标识；发送建立所述话题与所述微博终端所属的微博列表关联关系的建立指令至微博列表服务器和/或微博话题服务器；所述建立指令的内容包括话题标识以及微博列表标识；所述关联关系包括映射关系和/或收听关系；微博列表服务器根据所述微博列表标识，查找与微博列表标识对应的数据内容，并将所述话题标识写入至所述数据内容，建立映射关系。本发明实现了微博的话题与微博列表之间的整合，提升用户体验。

摘要： 本发明公开了一种基于词向量学习模型的微博中文情感词典构建方法，包括：(1)针对当前微博数据的特征来获取相应的训练语料；(2)对训练语料进行数据预处理工作；(3)构造候选词典；(4)构造种子情感词典；(5)训练参数与配置的选取和定义；(6)训练词向量学习模型；(7)评估词向量学习模型训练结果；(8)迭代执行步骤(6)，直到所有参数遍历训练完毕；(9)选择最优评估结果的词向量；(10)训练词语级情感极性分类器；(11)应用词语级情感极性分类器并获取最终的目标情感词典。本发明设计了一个结合语义和情感信息的词向量学习模型，由此设计了面向微博的中文情感词典构建方法，可以提升获取中文情感词典的效率与质量。

摘要： 本发明公开了一种面向中文微博的情感分析方法，包括以下步骤：通过检测预处理后的微博样本集L'中是否有表情符号，挑选含有表情符号的组成训练集M；使用表情符号来标记训练集M中样本的情感极性，作为弱标记，将弱标记的样本作为监督机器学习的训练样本；通过降噪方法SAT对训练集M进行降噪，得到样本集K；通过降噪后的样本集K结合监督学习方法构造分类器C；使用准确率、精确率、召回率和F值作为评价标准，并通过已标记样本集P检测分类器C的精度；所述方法还包括：依据弱标记样本进行自动更新。本发明在于利用微博中的关于情感符号的信息，研究面向中文微博的情感分析问题，解决了在使用情感符号对微博进行弱标记时产生噪声信息的问题。

摘要： 本发明公开了一种用于中文微博情感分类的特定情感词典的生成方法，首先对微博语料进行预处理，选取多个情感单元，接着使用其构建情感传播图，并计算其的标准中心度，根据标准中心度选取种子情感单元，并通过通用情感词典和人工标注对种子情感单元进行情感标签标注。最后，通过情感传播算法完成带标签的种子情感单元集合向不带标签的情感单元的情感传播，并获取每个情感单元中每个情感词的情感分，得到包含显式情感特征和隐式情感特征的微博特定情感词典，进而根据微博特定情感词典对微博语料的情感进行分类。与同类代表性方法相比，其总体计算准确度更高，具有更高的稳定性，可以有效地构建领域特定的情感词典，准确抽取显式和隐式情感特征。

摘要： 本发明涉及一种针对中文微博的观点分析原型系统。包括：一中文微博数据预处理模块，用于将不同用户在不同话题下发表的微博及其评论文本进行对话序列级联、中文分词，得到词向量字典；一一致性挖掘模块，对用户‑观点、话题‑观点、用户‑文本和话题‑文本之间的一致性构建抽象向量，从全局的角度刻画中文微博的特征，利用四者之间的相互联系挖掘出隐含的文本语义和观点信息；一特征抽取模块，基于上下文和卷积神经网络模型从局部和全局的角度抽取出不同类型的特征，并根据误差不断更新参数；一分类结果输出模块，用分类函数得到最终的观点分析结果。本发明能够自动抽取出有效特征，并对特征进行抽象和组合，最终识别出中文微博的不同观点类别。

摘要： 本发明属于数据挖掘、自然语言处理和信息检索领域，为提出一种中文微博的热点话题检测及趋势预测方法，能够有效克服传统话题检测及预测技术在计算微博热度时，往往过高计算意见领袖和粉丝数量的影响，忽略了话题的真正影响力体现在微博内容本身的问题；同时能够克服传统话题检测及预测技术中在计算话题热度时，只从语义上判断词语和文档所属的话题，忽略了在一个文档与所属话题内其他文档相似度较低时的问题。本发明采用的技术方案是，中文微博的热点话题检测及趋势预测方法,步骤如下：步骤一：数据采集和存储；步骤二：数据预处理；步骤三：话题抽取；步骤四：热点话题识别；步骤五：话题趋势预测。本发明主要应用于信息检索场合。

摘要： 本发明涉及一种基于松散条件下协同学习的中文微博情感分析方法，包括：(1)构建初始已标注微博数据集L和未标注微博数据集U；(2)对已标注数据集L和未标注数据集U进行特征提取；(3)构造SVM分类器C1和LSTM分类器C2，利用已标注数据集L对C1、C2分别进行训练；(4)利用训练好的两个分类模型对未标注数据集U进行预测；(5)选择未标注样本加入到训练集，以修正分类模型。本发明的优点在于充分考虑了文本中不确定性和置信度这些信息量，从而能选取对两个分类模型最有帮助的样本数据进行人工标注以减少噪声样本的引入；并且分别从词法信息要素的角度和文本上下文相关的语法角度来构造协同学习的框架，提高分类的准确率。

摘要： 本发明公开了一种用于中文微博情感分类的特定情感词典的生成方法，首先对微博语料进行预处理，选取多个情感单元，接着使用其构建情感传播图，并计算其的标准中心度，根据标准中心度选取种子情感单元，并通过通用情感词典和人工标注对种子情感单元进行情感标签标注。最后，通过情感传播算法完成带标签的种子情感单元集合向不带标签的情感单元的情感传播，并获取每个情感单元中每个情感词的情感分，得到包含显式情感特征和隐式情感特征的微博特定情感词典，进而根据微博特定情感词典对微博语料的情感进行分类。与同类代表性方法相比，其总体计算准确度更高，具有更高的稳定性，可以有效地构建领域特定的情感词典，准确抽取显式和隐式情感特征。

摘要： 本发明提供一种基于语义、时间和社交关系的中文微博话题检测方法及系统，用以解决话题检测中微博数据由于文本短小、口语化和一词多义等缺点导致的话题检测效果不佳的问题，该方法包括步骤：采集一定时间间隔上的相关话题的微博数据；使用预训练语言模型BERT(Bidirectional Encoder Representation from Transformers)在采集的微博数据上进行预训练；通过预训练好的BERT模型对微博文本进行向量化表示，得到基于上下文语义的微博语义表示；提出综合考虑时间因素和微博之间转发关系的文本聚类算法，从而解决传统微博话题检测仅考虑文本语义相似的问题。本发明主要用于微博搜索的任务，利用相关微博的话题检测结果来提高微博搜索命中率。