文本情感分析

摘要： 在目前的中文文本情感分析研究中,基于语义规则和情感词典的方法通常需要人工设置情感阈值;而基于深度学习的方法由于未能运用语义规则和情感词典等语言知识,不能充分提取情感特征。针对这两种方法的缺点,提出了一种将语言知识和深度学习结合的文本情感分析方法。该方法首先根据语义规则提取文本中的关键情感片段,再根据情感词典从关键情感片段中抽取出情感更加明确的情感词来构建情感集合,然后利用深度学习模型分别从原始文本、关键情感片段、情感集合中抽取深层次特征,最后对提取的特征进行加权融合,并利用分类器实现情感极性的判断。实验结果表明,与未引入语言知识的深度学习模型相比,该方法的情感极性分类能力有明显提升。

摘要： 随着社交媒体日新月异地发展,我们实际上生活在一个巨大的社交媒体网络中,每一个用户或者说每一个社交账号都是这个庞大网络中的一个节点。每个节点都与多个节点连接,信息流在由这些节点构成的网络上进行流动。这些节点之间有的相互交换信息,有的作为中间传输节点进行信息的转发。作为网络上进行传输的信息也是各式各样,如图片数据,视频数据以及文本数据。其中,文章数据作为最根本的信息流动在网络上。这些文本数据背后隐藏的用户的情感或者观点进行分析,将能够为社交媒体研发者提供强有力的反馈信息,进而完善社交平台的开发以产生更有价值的利润。文章基于深度学习框架Keras实现对淘宝上的用户评价信息的情感分析。主要进行了两个模型的实验:Keras-bert模型和RNN(LSTM)网络,实现对评论数据的情感分析。

摘要： 梳理了中邮网院在用的多个系统,以调查问卷系统为例,提出了文本情感分析技术在中邮网院的应用方案,并通过实验对方案进行了验证。

摘要： 本文采用文本情感分析的研究方法,计算出2018年4月至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,以评论情绪均值作为边权重,评论者、标题作为节点,构建数值矩阵,通过Gephi绘制出情感网络图,通过Pajek对标题和评论所构成的2-模网络进行中心性分析,并提出三点建议:1.优化内容设计,挖掘隐藏受众;2.建立网络舆情预警系统,侦测舆情走向;3.增强互动,提升受众对公众号的认同感。

摘要： 社交文本的情感分析主要存在结构不规则、特征稀疏和分类效果不理想等问题。针对这些问题,提出了一种双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)和胶囊网络(Capsule network,CapsNet)混合模型(BiLSTM-CapsNet)。该模型先使用胶囊网络提取单个特征词在整个句子中的位置语义信息,再使用双向长短期记忆网络提取社交文本的上下文词语之间的关系,最后通过softmax分类器,进行情感倾向的分类。试验结果表明,该模型在粗粒度和细粒度情感分类中都有优势。

摘要： 随着金融市场信息化发展,微博、贴吧、股票论坛等成为了投资者尤其是个人投资者发表言论表达对股市情绪及自我情绪的重要途径。基于行为金融的视角,通过文本情感分析量化投资者情绪,并利用所构建出的情绪指数分析互联网舆论下的投资者情绪对股票市场收益率的影响。实证结果表明:消极的投资者情绪和股票收益率之间存在一定的相关性,当投资者情绪低落时,伴随而来的是股票收益率的下跌;投资者负面的情绪在很短的时期内会降低相应的股指收益率,但随着时间的推演投资者情绪对股指收益率的影响较为平缓,不会像初期那么强烈。

摘要： 为提高中文文本情感分析任务的准确率,优化训练时长,提出基于Reformer的文本情感分析模型。利用Reformer模型的上下文语义编码能力,充分获得文本上下文的特征,提高文本分类准确率;在Transformer模型的基础上,引入局部敏感哈希注意力机制及可逆残差,降低模型的复杂度及内存的占用。在3个公开数据集上进行实验,实验结果表明,该模型在准确率及训练时间上均优于其它模型。

摘要： 为充分了解顾客对餐品的满意程度,帮助商家准确把握顾客的消费需求,以外卖平台用餐评论数据为基础,采用word2vec_BiLSTM文本情感分类模型的方法,使用word2vec预训练出各评论语句表征的词向量,利用三种基线模型RNN、LSTM、BiLSTM进行对比试验,根据相应的评价指标对多种分类模型效果进行分析。试验结果表明,word2vec_BiLSTM的F_(1)指标为91.71%,与RNN和LSTM模型相比,分别提高了3.81%、2.46%,word2vec_BiLSTM的ACC值为91.19%,与RNN和LSTM模型相比,分别提高了4.56%、1.62%。

摘要： 教学背景随着人工智能技术在医疗、军事、交通、环境等诸多领域的广泛应用,人类的生产生活方式已经悄然发生改变。2017年发布的《新一代人工智能发展规划》提出,要重点突出加快人工智能创新应用,逐步开展具有广泛普及性的人工智能教育项目,在中小学开设人工智能课程,系统性地进行相关教育教学活动。因此,如何使课程在中小学有效落地是一线教师面对的首要问题。

摘要： 中国的情绪分析研究主要集中在商业价值领域,如医院、旅游、餐饮和金融。使用Bicomb软件和SPSS数据分析软件来分析研究中国知网2000-2020年收录的954篇文献。提取文献关键词,对文本情感分析研究进行归类和分析,研究文本情感分析的热点和发展趋势,为数据挖掘提供研究方向。

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： 电子商务平台的在线评论对商品销量会产生显著影响.本文以天猫平台上的冰箱为研究对象,模拟用户购物过程,考察商品评论的商品服务、商品质量、追评情感值和普通评论情感值对冰箱销量的影响.本文首先利用文本情感分析方法分析评论的情感,然后使用SPSS对这些影响因素及销量之间的关系进行分析.结果表明:对于大型家用电器,商品服务和销量之间没有显著线性关系,商品质量、追评情感值、普通评论情感值和销量之间具有显著的线性关系,并且追评情感值对销量的影响大于普通评论情感值对销量的影响.

摘要： 本发明适用于计算机技术领域，提供了一种文本的情感分析方法、情感分析装置、终端及计算机可读存储介质，其中，所述情感分析方法包括：获取目标文本对应的第一文本向量；利用已训练的门结构的循环神经网络对所述第一文本向量进行处理，将所述目标文本的上下文时序信息融合到所述第一文本向量，得到第二文本向量；对所述第二文本向量进行池化，得到所述目标文本的语义特征；基于所述语义特征，确定所述目标文本的情感分析结果。本发明能够提高文本的情感分析结果的准确性。

摘要： 本发明公开了一种融合情感特征的评论文本细粒度情感分析方法，包括以下步骤S1、已有评论数据语料预处理；S2、联合向量构建；S3、ADBC细粒度情感模型训练。有益效果：本发明通过融合情感标签，情感词、方面词来表示文本向量，设计一种针对评论文本的增强语义的高鲁棒性细粒度情感分析框架，更多的挖掘文本中潜在的情感信息，同时在注意力机制之前嵌入CNN卷积神经网络对Bi‑GRU的输出层进行特征的强化学习，从而提高了细粒度情感分析的准确性。能够反映出用户真实的评价信息，使用户对产品的各方面好坏有更加直接的了解。为消费者及供应商们提供高效可靠的反馈结果。

摘要： 本发明提供一种嵌入情感词典的注意力机制循环神经网络文本情感分析法。该发明主要根据获取的英文评论，对其情感极性进行标注。通过爬虫或其他软件获取需要的语料集，首先进行去除停用词的操作，接着采用word2vec算法对处理后的语料进行训练来得到相应的词向量。将训练集输入到基于注意力机制的循环神经网络(RNN/LSTM)结构中，在实现注意力权重训练的过程中，将词语的情感极性程度嵌入进去，使模型的关注点更接近于人类的理解，最终提高了文本情感分析的准确度。

摘要： 本发明提供了一种基于情感词典和支持向量机的文本情感分析方法。所述基于情感词典和支持向量机的文本情感分析方法包括如下步骤：将新闻文本数据向量化，对训练新闻数据进行类别和情感倾向标注；对新闻文本的不同类别建立分类模型；根据新闻类别和对应的情感词典来提取新闻文本中的情感词特征数据；对添加了情感词特征数据的不同类别的新闻文本建立情感倾向分类模型；将测试新闻文本数据向量化并通过类别分类器进行分类，然后提取情感词特征，最后在对应的情感分类模型上计算得到新闻的情感倾向信息。所述基于情感词典和支持向量机的文本情感分析方法在对新闻文本进行学习的过程中加入了情感特征信息，有利于提高新闻情感分析的准确度。

摘要： 本发明特别涉及一种基于情感词典学习的文本情感分析方法和系统。方法包括以下步骤：对初始文本数据进行规范化处理，生成预处理文本数据，并将预处理文本数据聚类到预设领域；采用基于种子情感词典的情感词语发现方法，形成预设领域的专有情感词典；根据专有情感词典对预处理文本数据进行检索，获取目标文本数据作为对应预设领域的初始训练语料，并形成多分类器对输入的待分类文本进行分类。本发明减少了人力成本，避免了由单一分类器导致的过拟合问题，同时将文本相关领域纳入考虑，提高了对文本进行情感分析的准确性。

摘要： 本公开提供了一种文本情感分析方法、情感分析模型训练方法、装置、设备及介质，涉及自然语言处理领域，尤其涉及人工智能及大数据技术领域。具体实现方案为：获取评论语句，将评论语句输入情感分析模型，情感分析模型为通过训练数据集对textRNN模型训练得到的模型，训练数据集中包括多条样本评论语句以及NLPC模型对每个样本评论语句的情感分析结果。获取情感分析模型输出的情感分析结果。实现了在私有化环境中利用情感分析模型对评论语句进行情感分析。

摘要： 本发明提供了一种基于概念和文本情感的短文本情感分析方法和装置，涉及信息处理技术领域，所述方法包括：通过对短文本进行数据预处理；根据依存句法关系获得文本概念特征；根据构建情感词典和词性标注对词语进行情感标注，获得文本情感特征；根据所述文本概念特征、所述文本情感特征，获得文本概念特征向量和文本情感特征向量；根据所述文本概念特征向量和所述文本情感特征向量，确定最终情感极性类别。解决了现有技术的分析方法受到语料库大小和特征提取过程的影响，导致情感分析的准确度较低的技术问题。达到了充分利用了概念特征以及文本情感特征对情感分析的有效信息，提高情感极性分类的准确度的技术效果。

摘要： 本发明提供了一种基于融合多文本特征的中文文本情感分析方法，包括：步骤Step1:获取中文文本信息，并对所述中文文本信息进行预处理，得到所述中文文本信息对应的多个序列；步骤Step2:将所述多个序列输入BiGRU网络提取各序列的文本特征，生成所述多个序列对应的多个文本特征信息；步骤Step3:将所述多个文本特征信息进行融合，并输入到BiLSTM网络中进行学习；步骤Step4:再利用自注意力机制筛选特征；步骤Step5:将经过自注意力机制筛选后的特征向量，输入sigmoid分类器进行分类，得到最终的情感分析结果，本发明解决了传统基于双向长短期记忆神经网络(BiLSTM)的文本情感分析方法对文本自身包含的特征信息学习不够的问题，且能有效地提高中文文本情感分析的准确率。

摘要： 本发明涉及文本情感分析技术领域，且公开了一种基于情感摘要的文本情感分析方法，包括：待识别的文本；以及空白文档，用于在进行分析之后显示分析后的文本，在一种可能的实施方式中，包括以下步骤，S1、对待识别的文本进行分句，包括但不限于空格、逗号、句号，利用空格、逗号、句号，将已有的文本更改为一段完整的语句；S2、将转化为完整一句话的文本进行识别，同时录入后台的数据，对原文本进行存放，同时将原文本分为至少三份进行分析，通过本发明所提供的一种基于情感摘要的文本情感分析方法，能够对语句进行分析，能提高对语言情感的识别精度，且还能够自主进行学习等优点。

摘要： 本发明提供了一种融合用户情感倾向的社交网络评论文本情感分析方法和系统，通过用户的历史评论的情感极性分布以及社交关系计算用户的情感倾向分值；以用户的情感倾向分值作为用户的属性信息，用户与用户之间的社交关系为边信息构建用户社交关系网络；提取用户情感倾向特征表示；提取评论文本的特征表示；通过联合策略融合评论文本特征和评论对应的用户情感倾向特征得到评论联合特征表示，构建逻辑回归模型对社交网络评论文本的情感极性进行预测分析。本发明结合了用户心理干预因素，在技术上把用户情感倾向特征和文本特征相融合得到特征增强的联合特征用于社交网络文本情感分析，相比传统的仅基于文本特征的情感分析方法有更高的精确度。