面向用户生成内容的情绪识别研究

发布时间：2021-10-21 22:16

　　近年来,人们通过社区型网站与社会化网络积极参与互联网大环境,由此产生了大量的用户生成内容。针对用户生成内容进行情绪识别可应用于人机交互、产品策略调整等领域,有助于高级人工智能的发展,并具有现实意义,现已成为一个热门的研究领域。然而,用户生成文本具有内容短、语义稀疏且更新迭代快的特点,现有情绪识别研究虽已比较成熟,但应用于用户生成文本具体场景中时仍存在一定的局限性。针对上述问题,本文的主要工作可归纳总结为以下四个方面:1.设计一个实验以发现现有模型在用户生成文本情绪识别场景下存在的问题并探索用户生成文本中噪声（即不含情绪的文本）对于情绪识别实验效果的影响。本文选取了传统机器学习与深度学习中典型的模型,在统一的实验基准下分别就文中提出的三种实验方案进行实验。通过实验发现,噪声不利于单种情绪识别,但有助于多种情绪识别;每种模型有各自适合的应用场景,但应用于用户生成内容中时,他们难以捕获用户生成内容中上下文语境蕴含的情绪线索,并且对于同一条用户生成内容中蕴含有多种情绪的情况往往无法准确识别且训练效率低。2.提出了一种可同时识别单种情绪及其对应情绪表达短语的循环门模型。该模型通过双向长短时记忆模... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
        1.1.1 用户生成内容
        1.1.2 面向用户生成内容的情绪识别
    1.2 国内外研究现状
        1.2.1 情绪资源
        1.2.2 情绪识别
    1.3 本文主要研究内容
    1.4 论文组织结构
第2章 面向用户生成内容的情绪识别方法
    2.1 情绪识别方法
        2.1.1 基于规则的情绪识别
        2.1.2 基于统计机器学习的情绪识别
        2.1.3 基于深度学习的情绪识别
    2.2 基准实验设置
        2.2.1 实验设计
        2.2.2 实验方法
        2.2.3 数据集
        2.2.4 评价标准
        2.2.5 实验参数设置
    2.3 实验结果与分析
    2.4 存在问题
    2.5 本章小结
第3章 基于循环门的单种情绪与情绪表达短语联合识别
    3.1 SI-gate模型框架
    3.2 SI-gate算法
        3.2.1 语境整合
        3.2.2 循环门网络
    3.3 实验设置
        3.3.1 数据集
        3.3.2 评价标准
        3.3.3 基线模型
        3.3.4 实验参数设置
    3.4 实验结果与分析
    3.5 本章小结
第4章 基于自注意力卷积神经网络的多种情绪识别
    4.1 SACNN模型框架
    4.2 SACNN算法
        4.2.1 卷积层
        4.2.2 自注意力层
        4.2.3 全连接层
    4.3 实验设置
        4.3.1 评价标准
        4.3.2 实验参数设置
    4.4 实验结果与分析
        4.4.1 实验结果分析
        4.4.2 可视化分析
        4.4.3 合理性分析
    4.5 本章小结
第5章 实际应用方案分析
    5.1 实际应用场景介绍
    5.2 实际应用方法
    5.3 方案应用开发
    5.4 本章小结
第6章 总结与展望
    6.1 本文工作总结
    6.2 后续研究工作
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]当前国际传媒领域人工智能研究的学术热点与框架——基于EBSCO数据库2016年英文文献的文献计量学方法[J]. 喻国明,梁爽,程思琪.  东南学术. 2018(02)
[2]国外用户生成内容研究热点及趋势分析——基于2008—2016年EBSCOhost数据库文献[J]. 杨晶,罗守贵.  现代情报. 2017(09)
[3]基于SVM的中文微博情感识别与分类研究[J]. 刘丹丹,邱恒清,赵应丁.  中国新通信. 2015(21)
[4]多层次中文微博情绪分析[J]. 刘宝芹,牛耘.  计算机技术与发展. 2015(11)
[5]细粒度微博情绪识别的集成算法研究[J]. 王红.  智能计算机与应用. 2015(01)
[6]用户生成内容（UGC）概念解析及研究进展[J]. 赵宇翔,范哲,朱庆华.  中国图书馆学报. 2012(05)
[7]情感词汇本体的构造[J]. 徐琳宏,林鸿飞,潘宇,任惠,陈建美.  情报学报. 2008 (02)

硕士论文
[1]基于用户生成内容的多标签文本分类方法的研究与实现[D]. 刘晋宏.北京邮电大学 2018
[2]中文情感词汇本体的扩充及应用[D]. 赵虹杰.大连理工大学 2015



本文编号：3449817