融合上下文信息的隐式情感句判别方法

文本情感分析作为自然语言处理领域中热点研究方向之一受到持续的广泛关注。相较于显式情感表达,隐式情感表达本身所提供的信息不足。文章提出一种融合上下文信息的隐式情感句判别方法。使用多极性正交注意力机制对隐式情感句嵌入表示,建立融合上下文的多极性注意层,对上下文信息进行建模,以挖掘上下文中的关键信息。最后,将上下文信息表示与隐式情感句表示拼接,以弥补隐式情感句本身信息不足的问题。在SMP2019-ECISA隐式情感分析数据集上的实验结果表明,该模型充分利用了上下文信息,提升了隐式情感句判别的效果。     

基于时空特征融合的语音情感识别

语音情感识别在人机交互中有重要的作用。在语音情感识别领域中,通常使用迁移学习解决语音情感数据难获取的问题,但忽略了语音数据的时序信息和空间信息。考虑到AlexNet网络中的参数来自图像数据集,不能完全表现语音数据的空间信息,并且不包含时序信息,因此提出通过膨胀卷积网络提取语音频谱图的空间信息,添加双向长短期记忆神经网络提取时序信息,并进行时空特征融合;针对语音中含有大量与情感无关的特征,通过将对数梅尔频谱图的三个通道作为输入,减少情感无关因素的影响,并添加注意力机制,选取情感权重大的时域信号。用公开数据集实验证明了方法的有效性,在WAR和UAR上都有提升。     

基于短文本情感分析的敏感信息识别

针对现有的敏感信息识别是基于敏感关键词匹配方式判断的,准确度不是很高,且具有较高的误检率等问题,提出了敏感关键词与情感极性协同分析的敏感信息识别方法。在真实数据集上,利用监督学习的方式对微博的情感极性进行了度量,得到具体的情感极度,并将文本分为正情感极性和负情感极性两类。通过定义色情、暴力、违禁、邪教、反动等5大类2 639个敏感关键词和在数据集里面所呈现的Zipf分布特性,发现含有负情感极性的微博内容具有较高的敏感性,由此深入研究了敏感关键词对情感极性的动力因素,构建了含有情感极性因素的敏感度模型,提出了敏感信息的判别方法,敏感信息检测的准确率由传统方法的31.25%提高到了58.75%,召回率则由95%提升到96%,综合指标F值从47.0%提升到了72.3%。     

基于BiGRU- CNN的网络舆情情感识别模型

目的 随着公众舆论数据的快速增长,社交网络文本情感识别在网络舆情监控中发挥着越来越重要的作用。由于文本数据的稀疏性、高维性和自然语言的复杂语义,情感分析任务面临巨大的挑战。方法 为提高网络舆情情感识别的效果,设计一种融合双向门控循环单元(BiGRU)和卷积神经网络(CNN)的情感识别模型。首先将社交网络文本转换成特征向量,然后通过BiGRU提取文本的上下文情感特征,最后通过CNN提取文本的局部情感特征,构建中文社交网络文本情感识别模型。结果 以新冠疫情期间网民的微博评论为数据集验证模型的可行性和优越性,模型的精确率、召回率和F1值分别达到86.6%、87.06%和86.85%。结论 实验结果表明,融合BiGRU-CNN的特征向量包含更加丰富文本的情感信息,能够有效提升网络舆情情感识别的性能。     

基于语义上下文分析的因特网人物信息挖掘

网络信息的爆炸式增长给人物信息的自动获取带来了巨大挑战.论文针对因特网上大量的人物信息,设计了一种基于语义上下文分析的人物信息挖掘体系框架,重点阐述了人物简历信息识别方法、基于隐马尔可夫模型(HMM,H idden M arkovModel)的命名实体识别方法和基于语义上下文分析的人物信息抽取算法.经实验表明:基于语义上下文分析的人物信息挖掘方法具有较高的信息抽取效率和精度.     

基于上下文敏感度的动态图像目标识别

针对机载实时系统获取的图像序列既不满足背景固定又没有目标、背景的高灰度比,而且常规方法处理这些图像存在局限性,提出了基于上下文敏感度的运动图像目标识别算法.首先,对标准Hough变换(HT)算法进行改进,即沿着某一方向做HT,如果线段长度或已识别的目标点数加上剩余线段长度小于阈值,则停止此方向的扫描,这种变换克服了标准HT以图像边界点为扫描边界的缺点.其次,在静态图像识别的基础上,定义了图像识别的置信度,对运动图像前后帧的关系进行了量化,据此实现了对目标的识别.实验结果表明,与标准HT相比,改进的算法不仅具有很强的稳定性和高抗干扰能力,识别准确性高,而且处理速度是标准HT的3～5倍.     

基于粗神经网络的语音情感识别

语音情感识别是从语音信号中提取一些有效的声学特征,然后利用智能计算或者识别的方法对话者的情感状态进行识别。介绍了国内外在该领域中关于语音情感数据库、特征提取、识别方法的研究现状。基于对该领域现状的了解,发现特征提取对识别率有着非常大的影响。录制了1050句语音,每句语音提取了30个特征,从而形成了一个1050×30的数据库。提出了用粗糙集理论中的信息一致性对数据库中的30个特征进行化简,最后得到了12个特征。用神经网络中的BP网络对话者的情感状态进行识别,最高识别率达到了84%。从实验结果发现不同的情感用不同的方法识别结果更好。     

基于船厂分段时空数据的分段状态识别及转运监测

船舶分段转运保障了分段在各个工艺之间的有序流动,但消耗了大量成本.船厂管理者需要监测实际转运过程,特别是监测因堆场内分段互相阻挡和返工产生的两类非生产性转运.S船厂由于场地紧张必须一场多用,现有监测技术难以从分段时空数据中获取分段状态,进而难以实现两类非生产性转运的监测.针对这个问题,研究了转运过程中分段状态的时序转化规律和耗时特征,建立了4个隐马尔可夫模型并使用有监督的方法学习其参数,通过维特比算法实现了分段状态识别,其在测试集上的准确率最高达到了93.5%.将其中1个隐马尔可夫模型应用于船厂分段时空数据,实现了船厂的两类非生产性转运的监测,根据监测结果为优化船厂分段转运过程提出初步建议.     

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。     

普适环境下基于脑电的身份及上下文状态识别

为了研究基于脑电的身份识别的具体实现,并满足用户对于普适和上下文状态感知的需求,提出了一种基于脑电的身份及上下文状态识别系统的实现方案.针对一局域范围内身份识别的普适化需求(如各接口身份验证),提出通过采集脑电、信号去噪、特征提取、模式识别各模块进行身份及上下文状态识别方法的普适化实现方案.并设计了具体实验来测试该系统.通过实验采集到5个受试者安静闭眼、听音乐闭眼和玩游戏后闭眼3种上下文状态的脑电信号,分别得到96.43%的身份识别正确率和92.31%的上下文状态识别正确率,证实了此方案的可行性.     

基于时空上下文信息的混合交通视频检测算法

前景物体的边缘信息对混合交通视频检测的参数提取和表达具有非常重要的作用. 为克服孤立地利用当前图像无法准确提取边缘信息的问题,提出了基于时空上下文表达的混合交通边缘提取新算法. 在获取当前边缘信息基础上,结合运动目标的特征属性与时空上下文相关信息,通过检索文本的关联性,进行前景边缘提取. 实验表明,文中算法能够准确而充分利用上下文信息实现前景边缘的提取,前景边缘的有效提取率可达95%以上,为后续混合交通视频检测的分类识别和参数提取提供了有效的依据.      

基于MFCC的语音情感识别

情感语音中携带着丰富的信息,在人机交互领域有着广阔的应用.Mel频率是基于人耳听觉特性提出来的.它与Hz频率成非线性对应关系.Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系,计算得到的Hz频谱特征,MFCC已经广泛地应用在语音识别领域.由于Mel频率与Hz频率之间非线性的对应关系,使得MFCC随着频率的提高,其计算精度随之下降.因此,在应用中常常只使用低频MFCC,而丢弃中高频MFCC.针对该问题进行了研究,修正了Hz-Mel非线性对应关系,提升了中高频系数的计算精度,并将其作为低频MFCC的补充,应用到语音情感识别中.实验证明,改进之后的算法与经典算法比较,在不同的特征组合上识别率都有不同程度的提高,从而证明了Mid MFCC特征计算方法的有效性.     

基于网络的战略性竞争情报识别

互联网以其较低的接入费用和方便的使用性能吸引全球用户在网上发布和搜索各类信息.如何对这些信息进行重组和链接,构建蕴涵于分散信息中的情报,是竞争情报识别研究的主要内容.国内竞争情报研究在战略性情报识别方面缺乏深入探索,多侧重于信息收集与分析.运用“影响链接”和“冲突链接”的方法,可以提高竞争情报的预见性,采用“确认链接”能提高竞争情报的准确性.     

基于增量方法的卷积语音情感识别网络

提出了一种新颖的语音情感识别结构,从声音文件中提取梅尔频率倒谱系数(Melscale frequency cepstral coefficients,MFCCs)、线性预测倒谱系数(linear predictive cepstral coefficients,LPCCs)、色度图、梅尔尺度频谱图、Tonnetz表示和频谱对比度特征,并将其作为一维卷积神经网络(convolutional neural network,CNN)的输入.构建由一维卷积层、Dropout层、批标准化层、权重池化层、全连接层和激活层组成的网络,并使用Ryerson情感说话/歌唱视听(Ryerson audio-visual database of emotional speech and song,RAVDESS)数据集、柏林语音数据集(Berlin emotional database,EMO-DB)、交互式情绪二元运动捕捉(interactive emotional dyadic motion capture,IEMOCAP)数据集这3个数据集的样本来识别情感.为提高分类精度,利用增量方法修改初始模型.为...     

异构网络中基于上下文转移的VoIP QoS研究

随着异构网络的融合,如何在异构网络环境下保证VoIP的QoS已成为VoIP发展必须解决的关键问题.针对这个问题,提出了一种基于上下文转移技术并结合MIPv6,DiffServ和MPLS这3种技术的QoS方案.该方案采用上下文转移技术来减少移动节点切换期间的时延和丢包,并将DiffServ和MPLS结合在骨干网中提供QoS保障.由于MPLS具有与移动环境较好结合的特点,在异构网络环境下能够为VoIP服务提供端到端的QoS保障.仿真结果表明该方案在延迟、抖动、丢包率和切换延迟等QoS性能上都有明显的改善.     

基于多步态特征融合的情感识别

在情感计算、心理治疗、机器人、监视和观众理解等方面,基于步态特征的情感识别有着广泛的应用前景。已有方法表明,考虑手势位置等上下文信息可以显著提高情绪识别性能,且时空信息能显著提高情绪识别精度。但是单纯使用骨骼空间信息无法充分表达步态中的情绪信息。为了充分利用步态特征,本文提出自适应融合的方法,将骨骼时空信息与骨骼旋转角度结合,提升了现有模型的情感识别精度。本文模型利用自编码器,学习人类行走时的骨骼旋转信息,利用时空图卷积神经网络提取骨骼点时空信息,将骨骼旋转信息与时空信息输入自适应融合网络,得到最终特征进行分类。模型在Emotion-Gait数据集上测试,实验结果显示：悲伤、愤怒和中立情绪的AP值比最新HAP方法分别提升5、8、5个百分点;总体分类的平均MAP值提高了5个百分点。     

基于MF-DFA的语音情感识别

针对语音情感线性参数在刻画不同情感类型特征上的不足，将多重分形理论引人语音情感识别中．通过分析不同语音情感状态下的多重分形特征，提取多重分形谱参数和广义hurst指数作为新的语音情感特征参数，并结合传统语音声学特征，采用支持向量机SVM对其进行语音情感识别．试验结果表明，该方法可使系统的准确率和稳定性得到有效提高．非线...