情感分析:从文本自动检测情感倾向、情绪及其他感性状态
本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪,讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案,该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。
Jul, 2017
文本情感检测研究综述表明,虽然目前已经有许多技术、方法和模型来检测文本中的情感表达,但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性,因此需要关注情感表达的语言细节。
Jun, 2018
现今,网站已成为展示用户对各种事件的意见、情感和感受的必要平台。使用自己的智能手机,每个人都可以在博客和社交媒体上(如 Twitter、WhatsApp、Telegram 和 Instagram)发表关于购买产品、发生事故、出现新疾病等方面的意见。因此,每天都记录了数百万条评论,这创造了大量的非结构化文本数据,可以通过自然语言处理方法从这种类型的数据中提取有用的知识。情感分析是自然语言处理和机器学习的重要应用之一,可以使我们分析评论和其他网页用户记录的文本信息的情感。因此,以下将说明在这一领域中的情感分析、方法和挑战。
Mar, 2023
情感分析是文本挖掘中的新兴领域,通过计算地识别和分类在不同社交媒体平台上表达的观点,对于了解顾客对产品、服务和最新市场趋势的心态起着重要作用。这篇综述论文定义了情感以及在语音、图像、视频和文本等不同领域中的最新研究和发展,同时还讨论了情感分析的挑战和机遇。
Nov, 2023
本文提出情感分析模型应该能预测人的其他心理状态,通过研究情感分析模型与情绪状态之间的关系并最终使用预训练模型来评估参与者的作品,得出情感分析模型能在预测分数方面表现良好,但是分数与人的自我检查情绪没有相关性。
Jun, 2018
通过计算机辅助文献综述,发现情感分析的起源可以追溯到 20 世纪初进行的公共舆情分析和 20 世纪 90 年代的文本主体性分析,但基于网络上的主观文本的情感分析爆发是在 2004 年之后。最近几年,情感分析已经从分析在线产品评论转移到分析来自 Twitter 和 Facebook 等社交媒体的文本。感情分析的应用还扩展到股票市场、选举、灾害、医学、软件工程和网络欺凌等许多主题。
Dec, 2016
本文详细阐述了情感分析的最新趋势和技术,通过系统综述了词汇、图形、网络、深度学习和规则等方法并比较分析数据集和评价指标,展现了情感分析的广泛应用领域,并旨在提高情感分析的效率和准确性。
May, 2023
本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现,结果发现 RoBERTa 模型在所有情况下表现最佳,并测试了这些模型对实际社交媒体帖子的适用性。
Feb, 2023
本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型,并提出 Sent2affect 模型进行迁移学习。实验结果表明,我们的模型在 6 个基准数据集上表现出色,相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。
Mar, 2018