基于胶囊网络和情感词典的在线旅游评论情感分析
本文提出一种将词嵌入、词表嵌入和注意力机制集成到卷积神经网络中进行情感分析的新方法,该方法在 SemEval'16 任务 4 数据集和 Stanford 情感树库上得到了比现有最先进系统更好的结果。
Oct, 2016
本文使用多种技术,如基于词典的、机器学习和深度学习方法,对社交媒体上的评论数据进行情感分析,并提供了比较分析结果。在本研究中,我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。
Dec, 2022
本文介绍了如何在中文情感分类中使用单词嵌入作为特征,并建立了一个包含一百万个评论的中文意见语料库。通过使用不同的机器学习方法,包括支持向量机 (SVM),逻辑回归 (Logistic Regression),卷积神经网络 (CNN) 和集成方法,这些方法相对于使用朴素贝叶斯 (NB) 和最大熵 (ME) 的 n-gram 模型获得了更好的性能。最后,提出了一种组合机器学习方法,并在语料库上进行测试,最终的 F1 分数为 0.920。
Nov, 2015
该研究利用胶囊网络结合情感分析和逻辑单元技术,从用户评论中挖掘出用户的观点和产品特征,并发现它们之间的关系和情感倾向,从而实现更准确的评级预测和解释。实验结果表明,该方法在七个真实数据集上获得了比最先进的模型更好的预测精度,并可以成功地挖掘出更精细的可解释原因。
Jul, 2019
通过使用 BERT、SciBERT 和 BioBERT 等预训练语言模型,本研究提出了一种药物评论分类系统,该系统可以将用户对特定药物的评论分为积极、消极和中性等不同类别,以分析人们对不同药物的情绪反馈。
Apr, 2024
本文提出了一种名为 Lex2Sent 的模型,使用 Doc2Vec 模型训练文档嵌入,并根据嵌入的距离来改进情感词典方法的情感分类任务,该模型在三个基准数据集上的表现均优于一流的词典。
Sep, 2022
通过使用领域特定的词向量和标签传播框架,结合少量种子单词,创造与手动资源相媲美的精准的领域特定情感词典,用于量化情感在时间和社区之间的差异,并在此基础上,提出了历史情感词汇表和社区特定情感词汇表。
Jun, 2016
通过机器学习和深度学习算法,使用情感分析明确揭示和解释应用市场评论的情绪,该研究通过探索性分析对应用程序评论进行情感分类,并确定大学生对应用市场的行为。
Dec, 2023
本研究提出了一种基于双向长短期记忆的新型两层注意网络,利用 WordNet 生成知识图嵌入来提高情感分析的预测能力,将其与基于支持向量回归和多层感知机网络的监督模型相结合,实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统,分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。
May, 2018