论情感语义属性

情感语义属性以情感评价为基础。情感语义属性语言单位含有情感激因。情感评价和情感激因是情感语义属性的标志。它们是区分表达情感和描写情感或通报情感的主要特征。不仅纯情感词和具有伪所指的联想情感词 ,超音质特征和语言情境也是体现情感激因的重要信号     

基于特征融合的图像情感语义识别研究

针对图像情感语义识别中特征提取的问题,提出了一种加权值的图像特征融合算法,并应用于图像情感语义识别。该方法根据不同特征对情感语义的影响不同,在提取出颜色、纹理和形状特征后通过加权融合为新的特征输入量,并用SVM来实现情感语义的识别。实验结果表明,这种算法比单独使用某种图像特征有更高的准确率。     

情感和语言里的情感语义成分

语言还是人们情感交流的工具。语言表达情感的手段体系构成语言的情感语义成分。语言里有情感语义成分不仅有其理论根据, 也是常见的客观事实。情感语义成分在汉语和俄语里都有,研究情感语义成分对于学习外语和学习本族语都是很重要的     

基于语义理解的Bayesian-Boosting情感分类

提出将语义理解与统计学方法相结合的机器学习算法来进行文本情感分类。首先提取文本中的情感词汇作为特征,利用统计学方法得到特征的初始权重,然后通过分析文本语义结构修改特征权重,最后利用Bayesian算法和以Bayesian作为基本分类算法的Boosting算法进行分类。实验表明,基于语义理解的Bayesian分类算法的分类准确率高于仅基于统计学的Bayesian分类算法,基于语义理解的Bayesian-Boosting算法的分类准确率最高,达到了90%。     

基于情感语义的个性化推荐研究

把情感语义引入了推荐系统,设计了基于情感语义的推荐系统模型.通过发现商品潜在的情感因素并对顾客情绪进行识别,提出了由情感匹配程度计算情感支持度的方法,给出了情感与关联规则挖掘结合的个性化推荐算法.实验验证了研究的可行性和有效性.     

基于LDA及语义相似度的商品评论情感分类研究

提出一种结合LDA及语义相似度的商品评论情感分类方法。该方法首先使用LDA对商品语料库建模,获取文档-主题矩阵;人工选择k对褒义词、贬义词,基于HowNet语义相似度计算主题(评价对象+观点内容)与各个褒义词和贬义词的相似度,达到对观点词极性判断,计算文本观点词情感极性的加权和作为文本的情感极性。实验表明,与基于向量空间的SVM分类方法相比,该情感分类方法在分类指标上表现更好。     

基于因子分析和概率神经网络的情感语义提取

文章首先对当前的情感语义提取技术进行了综合分析,并用颜色及形状特征作为情感特征参数,采用因子分析法建立情感空间模型,再用概率神经网络法实现特征空间到情感空间的映射,最后通过已建立好的情感语义知识库获取视频的情感语义文本描述。     

情感隐喻计算及其应用研究

隐喻的普遍性以及在情感表达中的重要作用决定了情感隐喻计算在自然语言处理以及人工智能研究中的重要地位．人工智能不仅要让计算机具有超越人类感知计算的能力,而且要让计算机与人进行情感的交流,而情感隐喻在情感交流中发挥着重要的作用．首先对情感隐喻计算研究的历史加以回顾,阐述各个发展阶段的主要特点和主要成果;然后从情感隐喻的理论基础出发,对情感隐喻资源建设、情感隐喻识别与理解相关研究进行深入的分析和总结,并探讨情感隐喻计算的应用途径,最后提出面临的挑战和对未来的展望．     

面向自然语言理解的图像情感语义检索

随着多媒体技术的迅速发展,图像资源的管理和检索日益成为研究热点,目前的图像检索技术因忽略了情感因素而显得力不从心.通过对自然语言分词,应用OCC情感模型,实现了使用自然语言对图像库进行情感语义检索.以百度图片频道下载的800张自然风景图像数据建立图像库并进行测试,实验结果表明取得了良好的检索效果,可为更多类型的图像情感语义检索打好基础,具有一定的实用价值.     

基于语义增强的多模态情感分析

多模态情感分析是自然语言处理领域的重要任务,模态融合是其核心问题。以往的研究没有区分各个模态在情感分析中的主次地位,没有考虑到不同模态之间的质量和性能差距,平等地对待各个模态。现有研究表明文本模态往往在情感分析中占据主导地位,但非文本模态包含识别正确情感必不可少的关键特征信息。因此,本文提出一种以文本模态为中心的模态融合策略,通过带有注意力机制的编解码器网络区分不同模态之间的共有语义和私有语义,利用非文本模态相对于文本模态的2种语义增强补充文本特征,实现多模态的联合鲁棒表示,并最终实现情感预测。在CMU-MOSI和CMU-MOSEI视频情感分析数据集上的实验显示,本方法的准确率分别达到87.3%和86.2%,优于许多现有的先进方法。     

语义网中的本体对象研究及应用

Semantic Web是网络服务和应用开发中的关键技术.本文归纳并分析了Semantic Web技术的研究背景和典型Semantic Web的概念.通过讨论Semantic Web构想的层次框架模型,指出了各层的角色及它们在Semantic Web构架中的作用,着重分析Ontology层的核心作用.通过分析Ontology的应用和相关开发工具以及面临的问题和挑战,提出了一种基于本体对象的智能检索过程.     

基于DCT域特征和Bayes语义分类的教学图像资源库检索技术

提出了一种根据DCT域特征提取和Bayes语义分类结合的图像检索技术。针对图像库数据结构的语义需求,采用朴素Bayes算法对图像库进行分类;其中视觉特征提取部分,采用改进的DCT域的边缘空间分布概率特征提取方法,获取目标对象边缘信息,建立20个特征值;通过Bayes分类器的分类,获取每类的索引特征向量,用于初次语义类别过滤,提高了检索效率。通过实验,建立教学需要的图像资源库,与其它检索算法进行查准率对比试验,证明了本算法的优越性。     

缓存一致性问题研究

以共享总线的多处理机系统为例，介绍了在共享总线系统中用于解决Cache Coherence问题的监听总线协议（Snoopy Protocol）和写一次协议（Write-Once Protocol），并分析了写一次协议、一致性协议的优点和协议区分状态的原因，最后给出一个评价协议好坏的角度：总线的流量和存储器访问的有效时间。     

针对虚拟人的文本情感语义分析

为了使个性化虚拟人更加形象生动,能根据用户输入的文本做出表情动作,运用自然语言处理技术对中文和英文文本进行语义和分类处理,分析出动作和情感信息。采用潜在语义方法从文本中提取出动作语义信息,利用hownet计算词汇相似度,使用K最近邻方法将文本情感信息分为6类:愤怒、厌恶、恐惧、喜悦、悲伤和惊讶。实验结果为:语料文本分类准确率为87.5%,系统能从用户输入的文本中提取出情感、动作信息,使虚拟人做出相应表情变化。     

语义网的研究与展望

介绍了语义网的相关概念、体系结构及基本构成,阐述了语义网的研究现状及应用范围,总结了未来语义网的基础研究和应用研究的方向,分析了语义网如何能够在网络检索中完成精确、智能检索,并对语义网面临的问题和发展前景进行了描述。     

语义Web的研究与展望

对一系列Web新技术的总称--语义Web进行了综述,在分析语义Web的研究背景、研究价值及现有语义Web模型的基础上,对W3C组织的语义Web研究现状和语义Web研究领域当前的研究状况进行了分析;对其今后的研究工作进行了展望;总结了未来语义Web基础研究和应用研究的方向:语义Web的基础研究主要包括本体的发展、语义Web语言的形式语义和确信(Trust)与证据(Proof)模型的开发;应用研究主要集中在Web-services、基于代理的分布式计算、基于语义的网页搜索引擎和基于语义的数字图书馆几个方面.     

煤矿本体的语义相似性研究

为了在信息检索中,从语义层面全面理解用户查询意图,提高信息的查全率和查准率,提出了基于本体的语义相似性和相关性计算方法。该算法充分考虑了本体模型结构的特点和本体间语义距离、本体密集度等因素对语义相似性的影响,提高了信息检索性能。以煤炭矿井工程的知识体系为例,建立了本体库模型,并设计了本体库的树状内存数据结构。通过实验仿真计算验证了本体相似性算法的有效性。     

语义网及其应用

面对万维网信息化规模急剧膨胀、信息载体也趋于多元化等原因所带来的诸多困难,语义网的提出为此提供了解决方案及技术支持,它利用对网络上的信息资源添加语义,达到不仅为人们所理解,也可以使机器理解和处理的目的.本文首先介绍了语义网的背景、基本概念、技术框架,然后阐述了语义网的结构框架以及各层次之间的协作关系与作用.结合一个实例...     

基于本体的语义Web中知识获取技术研究

本文探讨了基于本体的语义Web知识获取技术,并用船舶领域作为背景进行实例分析,运用本体表示法对船舶领域知识进行表示,进而实现知识的半自动化获取,验证了基于本体的知识获取方法的效率。