人工情感研究综述

简要论述了人工情感在人工智能中的重要性和作为人工情感研究理论基础的自然情感理论,并对人工情感的各个研究诸如情感建模、情感识别、情感表达、人工情感机理等分别进行了较为详细的分析与综述,对人工情感的发展趋势进行了展望。     

基于Plutchik情感轮的剧集网络评论文本的离散情感评价及有效性分析

看剧是一种高强度的情感休闲行为,剧集会激发受众多样而密集的情感,因此对看剧等文化消费的情感体验进行评价时,以离散情感模型作为理论基础会更有效,但目前对影视体验进行情感评价时以PANAS模型为主。基于Plutchik情感轮和NRC情感词典,构建了影评情感词库。使用Python软件抓取并评价了53部仙侠类、剧情类剧集豆瓣评论文本的离散情感,最后对离散情感评价结果进行了有效性分析。结果发现,一方面剧集网络短评可以用于衡量剧集情感,另一方面基于Plutchik情感轮的离散情感评价方法既可以对剧集进行分类,也比PANAS情感评价方法对剧集质量有更强的解释能力。研究结论可用于影视制片、剧集质量评价和情感营销。     

基于词典与规则的新闻文本情感倾向性分析

通过对新闻类文体的结构分析,将新闻文体按段落划分,采用一种基于情感词典和语义规则相结合的情感关键句抽取方法,对段落内的句子进行情感分析。综合考虑情感、转折、否定、程度和归总等词语信息构建情感词典,根据规则切割新闻文本,将新闻划分为意群、句子、段落以及篇章,通过制定的规则计算情感关键句倾向值,最终获得段落以及整个篇章的情感倾向值,从而得出新闻的情感倾向。与情感词典和SVM情感分类方法的实验结果对比表明,本文方法在对新闻文本进行倾向判别时效果较好,方法具可行性。     

浅析广告活动中广告受众的情感因素

人作为人而言有着丰富的情感,人是情感的存在.广告活动对受众的情感有重要的影响力,如情感记忆唤醒、情感感染与移情、情感的沟通与说服等.在受众对广告的情感反应模型中,受众的情感反应和认知反应共同作用于受众对产品的态度,并影响他们对产品的取舍.对广告受众情感的不同诉求点进行讨论,从而指出广告的情感因素在广告活动中具有重要意义.     

论高校语文教师的情感教育能力

高校语文教师是对大学生进行情感教育的主体,他们的情感教育能力对大学生产生极大的影响,但是当前一些高校语文教师的情感投入消极被动、情感表达干涩无力、情感调控延迟或无视等,因此应从树立强烈的情感意识、加强情感表达的训练以及强调情感调控的及时等方面培养和提高高校语文教师的情感教育能力。     

情感教育与英语教学

从师爱的情感效应、师生间的情感场、情感效应与英语教学质量三个方面对情感教育在英语教学中的作用进行了探讨,旨在对提高英语教学质量有所裨益。     

基于表情符号和情感词的文本情感分析模型

文本情感分析是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。文本中的表情符号也能表达一定的情感。针对情感分析研究时先去除包含表情符号在内的停用词这一方法,本文在判断情感倾向性时考虑情感词和表情符号的共同作用,提出了一个包含表情符号的文本情感分析模型。通过设置一定阈值,可以对社交网络中过激情感进行实时监测。     

关于中学物理教学中的情感教学

本文就情感教学的重要性,情感教育与德育、情感目标的水平分类、情感的品质特征与物理教学以及实施情感目标的设想等几方面谈谈自己对情感教育的看法和作法。重点阐述目前在完善学物理教学目标管理和重视思想教育的情况下,对情感教学的探讨和实施是势在必行的。     

情感因素与二语习得

情感因素研究已日益受到外语界的重视。本文结合心理语言学的一些观点,分四个方面阐述了情感因素对二语习得的影响。其内容包括对情感过滤假设、态度、外向与内向性格及焦虑的分析。研究表明,情感在语言学习中的作用不亚于认知技能,因而发挥积极情感因素、克服消极情感障碍对提高二语习得成效至关重要。     

基于依存句法的评论情感极性分析

以评论文本作为研究对象,结合评论文本情感表达清晰、评论对象明确的特点,提出一种基于依存句法的文本特征抽取方法,以提高评论文本情感极性分析中的准确率。抽取评论文本中依存情感单元(Emotional dependency unit,EDU)作为情感表达的基本特征,使用支持向量机(SVM)训练情感极性分类器,对评论文本进行情感极性分类,同时分析否定词、程度副词、关联词对文本情感极性的影响。实验结果表明采用依存情感元组特征的情感极性分类器准确度达到73%左右,当加入否定词、程度副词、关联词特征时情感分类结果的准确率可达到80%左右,从而既提高了情感极性分类准确率又论证了否定词、程度副词、关联词特征分析在情感分析中的重要性。     

论大学英语情感教学

情感因素对大学英语课堂教学氛围有很大的影响,积极的情感和良好的氛围将有助于课堂教学效果的提高。在论述情感教学理论依据的基础上,分析了焦虑、自尊心、动机和移情等情感因素,对大学英语课堂教学的影响及教学策略,并对优化情感教学提出了四条建议。     

基于主题情感混合模型的无监督文本情感分析

针对有监督、半监督的文本情感分析存在标注样本不容易获取的问题, 通过在LDA模型中融入情感模型, 提出一种无监督的主题情感混合模型(UTSU模型)。UTSU模型对每个句子采样情感标签, 对每个词采样主题标签, 无须对样本进行标注, 就可以得到各个主题的主题情感词, 从而对文档集进行情感分类。情感分类实验对比表明, UTSU模型的分类性能比有监督情感分类方法稍差, 但在无监督的情感分类方法中效果最好, 情感分类综合指标比ASUM模型提高了约2%, 比JST模型提高了约16%。     

基于文本语义和表情倾向的微博情感分析方法

针对基于机器学习的中文微博情感分析方法存在处理过程复杂、判断准确率低等问题,该文提出了一种新的情感分析方法。将微博爬虫和Web应用程序编程接口(API)相结合,对动态微博数据进行收集和预处理。基于NTUSD和How Net中文情感词典的微博情感词的抽取和分类,计算词语语义相似度和倾向性。综合考虑表情、文本情感倾向的加权和正面情感增强等因素。实验结果表明:表情情感倾向对微博情感倾向起着重要作用;在表情和文本情感倾向比值固定的情况下,调整因素和中性区间的选择会对情感倾向判断准确率产生影响;通过与基于How Net语义相似度的计算模型比较,该文方法使得情感倾向判断准确率提高约5%。     

面向情感变化检测的汉语情感语音数据库

该文介绍了面向普通话情感变化检测的情感语音数据库CESD。该数据库的语音以对话形式录制,包括男女声情感对话语音1 200段。以生气、着急、中性、愉悦、高兴为基本情感,共包含20种情感变化模式。除语音文件外,还包含带有静音段/有效语音段、情感类别、情感变化段、情感质量等内容的标注文件。为了使更多的研究人员可以使用该数据库,利用P raat工具提取出67维常用声学特征,作为特征文件一同存储在该数据库中。对该数据库进行主观评价和情感变化检测的结果表明:语音情感状态自然、情感变化真实,能够满足语音情感识别和语音情感变化检测研究的双重需求。     

基于边界特征的情感新词提取方法

情感词典作为情感分析任务中的一项基础资源,是观点发现及情感极性判断的重要依据。随着网络新词的大量出现,情感新词的抽取成为一个亟待解决的问题。针对这一问题提出基于边界特征的情感新词的提取方法。该方法利用skip-gram模型挖掘情感词的边界特征、构建边界特征集,利用边界特征集提取情感新词候选集,通过bigram搭配、序列模式等方法对情感新词候选集进行过滤,根据候选串的频次、与其搭配的边界特征在语料中的分布情况对候选串进行评分。在微博语料上的实验结果显示,该方法对情感新词识别的准确率与候选串得分正相关,当候选串得分为11时准确率为83.33%。实验证明,基于边界特征的情感新词的提取方法能够有效地识别大规模语料中的情感新词。     

论学习情感的评价及培养

青少年的学习情感是制约他们学习主动性与积极性的瓶颈因素,针对目前大多数中小学教师对学生学习情感认识的“盲点”和不足,指出教师不重视学生学习情感的主、客观原因,揭示学习情感对学生学习起着导向、动力、强化之功能,提出应从认知、感觉、兴趣、人际、自我调节等因素着手,对学生的学习情感给予正确评价及培养。     

第二语言习得中情感因素的研究

综述第二语言习得中情感因素的研究。分析二语习得中情感因素的发展、定义和分类、情感因素的研究方向、情感因素对教学和学习成绩的影响等方面的内容,勾画出英语学习中情感因素的研究全景。     

浅析思想政治教育中情感育人的效能

教师的情感对学生有直接的感染作用,教师良好的情感品质能塑造学生美好的心灵、高尚的品德。师生之间通过情感的交流,使双方思想得到沟通,学生能顺利地实现思想的转化和升华。本文主要从教师情感育人的作用,当前教师情感投入存在的误区,教师情感投入应遵循的主要原则等三个方面对情感育人进行浅析。     

英语教学中的情感策略

在课堂教学中,情感与认知是同时发展、贯穿始终、密不可分的,但又承担着不同的任务,情感是课堂教学过程中的润滑剂、催化剂,教师通过情感调控,产生情感共鸣,达到最优化的教学效果,这是一种高层次的课堂组织管理艺术。本文分析了情感因素对英语教学的影响,阐述了情感策略在英语教学中的实践应用,通过情感教学可以帮助学生产生学习的动机和需要,激起其对知识的强烈需求、积极思考和主动探索,从而提高教育教学效果,实现教学目标。     

基于微博表情符号的情感词典构建研究

基于微博表情符号,提出一种自动构建情感词典的方法。 从微博平台抓取大量带有表情符号的微博文本,并依据表情符号对微博文本进行情感倾向标注,生成情感语料库。 对语料库进行分词、去重等预处理工作,根据词性规则抽取微博文本中情感词,统计每个情感词在正向和负向语料库中出现的次数,计算情感词的卡方统计值获得情感强度,根据情感词在正负微博文本中出现的概率判定情感词的倾向性,进而生成情感词典。 这是一种全新的思路。 以人工标注的情感词典为基准数据,实验结果表明,本文方法标注情感词的准确率在80%左右,在情绪词强度阈值θ为20、30时,生成情感词典综合F值最好,达到了82%以上。