基于主题-对立情感依赖模型的虚假评论检测方法

根据评论内容的特性,提出了一种基于主题-对立情感依赖模型(topic-opposite sentiment dependency model,TOSDM)的虚假评论检测方法。首先构建TOSDM模型,利用该模型提取评论的主题信息以及主题对应的情感信息;然后结合评论的主题以及情感信息,分析并提取6维评论内容特征;最后利用这些评论内容特征,采用有监督学习的分类器对虚假评论进行检测。在大众点评网获取的2009-2012年的5个领域的评论数据集上进行了实验,实验表明,提取评论主题信息以及主题对立情感信息能够提高虚假评论的检测效果,TOSDM的虚假评论检测效果优于其他模型。     

基于隐含语义分析的电商虚假评论识别

针对目前虚假评论识别都是通过评论者或评论文本的显式特征来进行的,但是没有考虑评论文本的语义信息,分析结果不够准确,因此提出基于隐含语义分析的电商虚假评论识别方法.该方法在基于用户行为特征分析的基础上增加了评论文本的语义分析信息,能在文本语义层次上识别虚假评论,提升了识别准确性.方法中给出了评论文本的可信度度量并针对有序的可信度度量提出了一种新的错位级别评估方法.     

基于有指导LDA用户兴趣模型的微博主题挖掘

用户发布的微博内容能够体现用户兴趣,微博中用户的转发、评论、回复、他人评论等微博行为对用户兴趣具有很强的指导作用。为了有效利用用户微博行为,提出了一种基于有指导LDA(latent dirichlet allocation)的微博内容用户兴趣建模方法。首先通过分析对微博的转发、评论、回复、他人评论这4个因素对用户微博兴趣主题的影响,定义了4种约束关系;然后基于用户微博内容,将4种约束关系融合到LDA 模型中构建有指导的LDA微博主题生成模型,最后得到用户的微博主题分布,从而获得用户兴趣模型。实验结果表明,相比LDA模型,该方法的准确率有很大提高,引入4种信息对微博用户兴趣发现有非常重要的指导作用。     

融合多元评论信息的用户情感分类方法

随着电商经济发展迅猛,各类电商平台为提升服务品质非常重视对用户评论信息的收集、分析和利用.但各电商平台都存在"刷评论"现象,虚假评论、默认好评等因素导致平台无法获取用户的真实情感,严重影响服务质量的提升.为了更加准确地获取用户的真实情感,提出一种融合多元评论信息的用户情感分类方法.首先,对评论中的文本和图片进行分类,构建去除虚假评论的图文数据集;其次,对原始和追加评价文本进行分割和重构;最终,将预处理后的原始评论、原始图片、追加评论、追加图片等多元评论信息输入到多通道卷积神经网络中,经训练后得到用户情感分类模型.经对比实验验证,融合多元评论信息的用户情感分类方法准确率可以达到96%,优于现有主流情感分类方法.     

基于产品属性的评论语句聚类分析算法

针对评论语句中产品各属性评价观点的提取问题,提出了一种基于产品属性的评论语句聚类分析算法,有效地将基于点互信息的算法和基于词典的方法结合了起来,提取产品评论语句中属性词及其关联词,挖掘用户关于产品各个属性的评价观点,并把对同一属性的评价语句归为一类,以便于用户和厂家能够及时的了解到产品使用过程中各个属性所出现的问题,形成对评价观点的整体把握,该分析模型对提升产品评论语句分析的质量具有重要意义。实验结果表明,该模型的分析准确率可达到72%,具有较好的分析性能。     

基于情感信息预处理和Bi-GRU的虚假评论识别模型

虚假评论识别在电子商务、社交媒体等领域具有重要的应用价值。尽管现有虚假评论识别模型融合了文本的情感信息,但在预训练过程中忽视了对情感信息的提取,导致准确率不高。针对此问题,本文提出一种基于情感信息预处理和双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)的虚假评论识别模型(FR-SG),用于提高虚假评论识别的准确率。首先,通过Albert模型获取文本的语义向量;然后,使用词频-逆文本频率(Term Frequency-Inverse Document Frequency, TF-IDF)和K-均值(K-means++)聚类的方法从评论中挖掘情感种子词,基于种子词对文本中的属性词和情感词进行掩码(mask);接着,使用面向情感的目标优化函数,将情感信息嵌入到语义表示中,生成情感向量;最后,将这两组向量的拼接结果输入虚假评论识别网络中,得到文本的分类结果。实验结果表明,相较于Bi-GRU+Attention模型,FR-SG提高了虚假评论识别的准确率。     

一种基于启发式规则的半监督垃圾评论分类方法

互联网业已深入每个人的生活,团购平台、在线商店、在线消费等形式的电子商务平台已成为人们时下最流行的消费方式。几乎所有的电商平台都允许和鼓励用户在消费之后对产品或者服务进行评论,而且用户评论对潜在消费者和商家都具有极高的价值。这使得广告、虚假评论等形式的垃圾评论被人为地夹杂在用户评论中,以期达到虚假宣传、推广产品或者诋毁其他商家信誉的目的。垃圾评论检测和分析便是在这样一种应用背景下,研究如何有效地排除垃圾评论干扰,发挥有效评论价值的方法。针对COAE2015设定的垃圾评论识别任务,利用其提供的语料资源,设计了一种基于启发式规则的半监督垃圾评论分类方法。实验结果证明,提出的方法可以有效地识别垃圾评论,同时能够保持对有效评论的识别精度。     

一种新的视频文本定位方法

本文提出了一种基于投影分析与支持向量机学习相结合的文本定位方法。首先采用投影分析的方法将可能的文本区域提取出来,然后再采用基于支持向量机学习的方法将提取出来的文本区域中的虚假文本区域排除掉。采用投影分析的方法时先将图像的边缘提取出来,再使用一些形态学的操作使边缘聚集,最后采用多次投影定位出文本区域。在使用支持向量机进行文本分类时本文采用了小波,角点,扫描线和区域内边缘点的重心位置等特征。实验表明该方法比单纯的基于边缘的方法要好。     

基于文本挖掘的商品推荐

对电子商务网站的评论文本进行分词、去停用词等整理,通过词频统计提取特征词,应用词频-逆文档频率提高特征词的类别区分能力以增加特征词的准确性.在收集大量的电子商务网站的评论文本及一系列预处理后构建了特征词词库.采用词语相似度计算方法用于关键词向量与特征词词库相似度的计算.根据相似度计算结果对用户评论的商品进行排序以实现对用户商品的推荐.设计了商品推荐系统并完成了实验程序.利用收集到的用户评论文本完成了对商品的推荐实验,并对实验结果进行了考察与分析.     

面向本地和外地用户情感分析推荐模型

针对地理标签和评论信息的情感倾向对于推荐系统性能的影响,本文基于地理标签和用户评论情感分析提出有关兴趣点的推荐策略,并建立了一种基于内容的推荐模型.本系统首先对用户兴趣点信息进行有效的补充,并实现了用户兴趣点相似度度量.对无标签评论数据进行情感分析及挖掘,获取其情感倾向度.同时本系统结合了时间滑动窗口,更准确地把握用户评论和兴趣点的结合度.最终得到用户个性化推荐排名.本文方法涵盖了本地用户和外地用户的个性化推荐策略.通过实验数据表明,本文模型有效提高了推荐的准确度.     

大数据云存储下海量数据传输完整度控制技术

为确保大数据云存储下海量数据传输的完整度,提出了一种基于属性特征匹配和关联规则的海量数据传 输完整度控制方法。构建海量数据的属性特征高维重组模型,得到关键信息的特征分布状况,据此设计海量数 据的关键信息存储分布结构模型,采用关联规则方法进行海量数据的关键信息特征挖掘提取,利用关键信息进 行海量数据的特征分析和数据聚类处理,采用属性特征匹配方法设计海量数据关键信息存储节点后,利用模糊 减法聚类对关键信息存储节点进行聚类处理,在海量数据传输中,以数据关键信息存储节点传输的完整度实现 海量数据的传输完整度控制。仿真结果表明,采用该方法进行海量数据传输完整度控制,能提高云存储下的空 间利用效率,数据传输完整度高。     

一种结合文章信息的新闻评论情感分析方法

新闻评论表达了人们对新闻事件的看法与态度, 因此对新闻评论进行分析具有潜在的应用价值. 传统的情感分析方法仅对评论文本进行分析, 忽略了新闻文章主题及语义信息对评论的影响. 针对这个问题, 提出了一种基于支持向量机和 $K$ 均值聚类的情感分析方法, 将新闻文章信息对评论情感的影响因素引入到新闻评论的情感分类中. 实验结果证明了该方法在新闻评论情感分析任务中的有效性.     

基于上下文感知和注意机制的多学习情绪识别方法

为提高人脸图像情绪识别效率与准确性,在探讨了深度神经网络、注意机制与损失函数基础上,提出基于上下文感知与注意机制的多学习情绪识别网络结构．该网络主要由场景特征提取、身体特征提取与融合决策3个子网络组成,并采用单双输出结构,实现多标签情绪分类与连续空间情绪回归任务．考虑到多标签情绪分类时标签的不平衡性,提出了一个改进的焦点损失（focal loss,FL）函数,可为小样本或难分类样本分配更多的权重,从而提高了网络训练效率．利用EMOTIC数据集进行仿真,结果表明平均绝对误差回归组合损失训练性能更优,分类平均准确率与回归平均误差率分别为28.5%和0.098,该方法对于小样本或难分类样本具有更好的分类效果．      

面向视频测量机器人高噪声小视场星图的星点提取

星图识别提取是自动天文测量数据处理的关键环节．针对视频测量机器人拍摄的小视场星图具有高噪声的特性,提出了利用基于合理阈值分割的连通算法来处理此类星图;分析了4种不同星图的图形特征,对比了常见的星点提取算法对真实星图的识别效果;在定性定量分析的基础上,通过验证,得到了阈值分割下的连通算法要优于边缘检测和聚类算法的结论,并获得理想的星点提取效果．真实星空半仿真星图的室内试验表明:利用该算法可以准确可靠地计算恒星质心坐标,其水平和垂直方向均方根误差（RMSE）分别为0.025和0.021像素,可满足高精度的天文测量需求．      

基于投票策略的特征点提取

特征点提取算法中存在伪角点和定位不准确的问题,导致特征点匹配率低,并且影响图像配准精度和速度.针对这一问题,提出基于投票策略的特征点提取算法.算法通过选举人投票选举出最强特征性点集,有效去除伪角点.点集中的特征点满足多重准则,特征性强度高.依据坐标选举,保证了特征点定位的准确性.在发生相似变换、亮度变化和加噪的情况下对大量图像进行了特征点提取和匹配实验,并与传统的特征点提取方法进行比较.实验结果表明,该算法提取的特征点具有更好的有效性,算法具有较强的适应性和抗噪性.     

基于低复杂度卷积神经网络的星载SAR舰船检测

星载SAR(合成孔径雷达)舰船检测广泛应用于海上救援和国土安全防护等领域.鉴于传统的检测方法仍存在虚警率高等缺点,本文将具有强大表征能力的卷积神经网络(CNN)引入到星载SAR舰船检测中,面向SAR舰船检测的精准快速的需求,提出了基于低复杂度CNN的星载SAR舰船检测算法.算法结合星载SAR图像的特点,利用ROI提取方法实现目标粗提取,得到可疑目标切片及其对应的位置信息;通过构建的低复杂度CNN对所有的可疑目标切片进行精确分类,确定舰船目标,从而实现舰船目标检测.实验测试结果表明:本文提出的算法可以实现精准的星载SAR舰船检测;与传统双参数CFAR目标检测和基于现有深度网络框架(LeNet、GoogLeNet)的检测算法相比,该算法检测性能更好、检测时间更短,可有效降低检测漏检率和虚警率.     

典型模拟电路性能退化仿真技术研究

为解决典型模拟电路在设计阶段可能引入的性能退化问题,通过分析国内外电路虚拟验证技术研究进 展,并针对引起模拟电路性能退化的HCI( Hot Carrier Induced) 、NBTI( Negative Bias Temperature Instability) 、 TDDB( Time Dependent Dielectric Breakdoun) 等机理模型进行深入研究,开展了性能退化仿真流程模型设计、 失效物理模型推导建立及模型参数提取3 项关键工作。基于上述关键技术研究,选取典型模拟运算放大器, 采用Cadence spectre 软件开展了性能退化仿真研究。最终得出器件在25 ℃下,工作2 年和10 年后的性能退化 情况,验证了该仿真方法的可行性。该结论可在模拟电路设计阶段,为其设计改进工作提供初步支撑。     

马尔科夫链蒙特卡洛地面磁共振信号参数提取

为解决MＲS( Magnetic Ｒesonance Sounding) 信号中乘性噪声干扰的问题,提出了马尔科夫链蒙特卡洛的 参数提取方法。建立MＲS 复包络参数的先验信息模型与似然函数模型,使用马尔科夫链蒙特卡洛( MCMC: Markov Chain Monte Carlo) 方法对参数后验分布进行采样与拟合,在后验分布中出现次数最多、权值最大的数据 作为参数的最优估计值。通过多组不同噪声条件下的MCMC 参数提取结果与非线性拟合方法对比,证明了 MCMC 方法可在乘性噪声的干扰下进行MＲS 信号参数提取,准确度高、稳定性强。     

基于车牌检测的前方车辆识别方法

为解决前方车辆识别过程中的实时性问题,提出了一种基于车牌检测的前方车辆识别方法。首先,利用图像中的路面或车道线等细节提取感兴趣区域。其次,利用HSV( Hue-Saturation-Value) 色彩空间转换与矩形图像检测从感兴趣区域中过滤光照变化,阴影和杂乱背景,从而检测出车辆的车牌信息。同时,在初次检测失败的情况下进行二次定位和验证。最后,利用检测出的车牌信息识别前方车辆。该方法在自建与公共数据库视频上进行评估。实验结果表明,识别率超过90% ,并且具有较高的实时性,证明了该方法的有效性。     

基于卷积神经网络的隐式评价对象识别

为解决课程评论中隐式评价对象识别问题,提出了一种基于文本分类的隐式评价对象的识别方法。首先通过word2vec 模型获得训练文本对应的词向量,获得短文本特征; 其次将短文本特征在TextCNN 中进一步提取高层次特征,通过K-max 池化操作后放入Softmax 分类器中进行训练得出分类模型; 最后利用训练好的分类器对隐式评价句进行分类,获取隐式评价句对应的评价对象。实验表明,基于卷积神经网络对隐式课程评论进行属性分类,课程评论的隐式评价对象识别正确率达到89． 9%,满足了课程评论中对隐式评价句对象识别的需求。