社交媒体帖子的情绪检测
本文提出了一种方法,通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中,构建了一个平衡的数据集。在这个扩展数据集上,我们研究了支持向量机(SVM)和双向编码器表示转换器(BERT)在情感识别中的应用,并提出了一种将两种模型结合的新型集成模型。实验结果表明,该模型在推特情感识别中实现了 0.91 的准确率。
Aug, 2022
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
本文研究社交媒体中 emoji 图标的情感分类问题,并探讨了不同的多模态官能(文本、emoji 和图片)在此问题中的作用,结果表明三种官能可互补,最高准确度达到 71.98%。
Mar, 2019
本研究旨在探究预测用户在 Facebook 页面上对超市等企业发布文章的反应的方法,通过收集帖子和反应构建一个数据集并使用神经网络和基线情感分析方法进行分析,最终的模型可以准确地预测文章的反应分布。
Dec, 2017
本文提出一种新的多模态情感分析方法,使用深度神经网络结合视觉分析和自然语言处理,旨在推断用户潜在的情感状态并且在社交网络中应用此方法实现自我报告的情感标签的预测,实验证明该模型的性能优于仅基于图像或文本的单独模型,并具有与情绪相关的合理词汇列表。
May, 2018
本研究使用多层神经网络 MLTA,并结合图神经网络技术进行社交媒体上的情感分析,并能够提取主要的情感,并适用于分析更广泛的 Twitter 数据集。
Jul, 2022
通过使用嵌入、深度学习模型和网格搜索算法对 Twitter COVID-19 数据集进行情感分类,本研究提出了八种不同的混合深度学习模型,旨在提高模型的整体准确性,研究表明,COVID-19 疫苗接种的公众情绪随时间逐渐改善,所提出的模型在广泛的评估中报告了 98.86% 的增加准确性,超过其他模型。
Jun, 2024
本文介绍了一种新颖的深度学习框架,包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则,然后使用深度卷积神经网络(DeepCNN)进行字符级嵌入,以增加词级嵌入的信息。然后,双向长短期记忆网络(Bi-LSTM)从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明,我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。
Jun, 2017
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