融合Skip-gram与R-SOPMI的教育领域情感词典构建

提出一种基于特征融合的细粒度教育领域情感词典构建方法。首先构建了教育领域语料库，包含正式、非正式领域情绪特征；其次提出一种融合特征的领域情绪词典构建方法，在情绪划分基础上识别词的语言概率特征以及统计概率特征，改进情感倾向点互信息，提出用于情绪分类的情感倾向点互信息算法，实现共现多分类情绪划分；最后得到细粒度教育领域情感词典，词典扩充至39 138个情绪词。实验表明：使用所提出方法构建的教育领域情绪词典除情绪“怒”以外，各类别F1综合指标均高于78.09%，整体性能良好。与通用词典相比，宏平均准确率、宏召回率和宏F1分别提升了21.95%、2.50%和13.01%，表明该融合特征方法能有效提取领域特征进而完成细粒度领域词典构建。     

一种多模特征融合的方面信息情感分类方法

在方面信息情感分类中针对使用循环神经网络编码长距离文本的信息丢失问题,以及使用注意力机制提取情感信息时倾向于关注高频信息偏置问题,提出一种多模特征融合的方面信息情感分类方法,区分单点、多点以及局部三类不同表达模式的情感信息,通过对三类情感信息有侧重的关注、提取与融合,实现各类特征间相互确认与纠错,降低信息丢失与关注偏置问题,达到增强复杂情感表达模式下的方面信息情感分类能力的目的。实验结果表明,使用所提出的方法对三类情感信息进行提取与融合,可以使方面信息情感分类任务在准确率和F1值指标上得到进一步提升。     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

融合音频、文本、表情动作的多模态情感识别

针对机器识别人类情感过程中的精度不高、泛化能力不强等问题,提出了一种基于语音、文本和表情动作的3种模态情感识别融合方法。在语音模态中,设计深度波场延拓和改进波动物理模型,模拟长短期记忆（long short-term memory, LSTM）网络的序列信息挖掘过程;在文本模态中,利用含有多头注意力机制的Transformer模型捕捉语义上潜在的情感表达;在表情动作模态中,将提取面部表情和手部动作的序列特征与双向三层含有注意力机制的LSTM模型相结合。最终提出一种多性能指标下的模态融合方案,以实现高精度的、强泛化能力的情感识别。在通用的交互式情感二元运动捕捉语料库IEMOCAP中,将所提出的方法与现有的情感识别算法进行对比,实验结果表明：所提出的算法在单个模态和多个模态中的识别精度均较高,平均精度改善达到16.4%和10.5%,有效提升了人机交互中情感识别的能力。     

在线评论的静态多模态情感分析

提出了一种基于Pre-LN Transformer的静态多模态情感分类模型.该模型首先利用Pre-LN Transformer结构中的编码器提取评论文本中的语义特征,其中编码器的多头自注意力机制允许模型在不同的子空间内学到相关情感信息.然后根据ResNet提取评论的图像特征,在特征水平融合的基础上通过视觉方面注意力机制...     

一种融合情感规则与机器学习的情感分类方法

针对评论型长文本的情感倾向性问题,提出了一种融合情感规则与机器学习的分类方法.基于情感规则得出评论的情感得分,该方法将文本分解为一组子句,以词汇为基本颗粒进行分数计算,得出最佳位置权重系数.同时,不同类型句式共归纳出4类关联词与之对应.将所得权重系数与关联词得分相结合,总结出情感计算公式.然后将所得情感得分作为特征融合到机器学习分类器的输入矩阵中,构造最优情感分类器.实验所得最优分类器准确率为0.979,高于同类算法.     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题，提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练，运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上，并进行特征加权，最后将双向LSTM模型和CNN模型得到的结果进行拼接，由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验，结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型     

点的情感

《辞海》对“点”的解释是：细小的痕迹。细小最容易遭人忽视，因此长久以来一直没有得到认真地探讨、研究。“点”作为一种独立的形态，似乎已被人们认定为一种平凡、普通的符号而慢慢淡出视域，成了一种可有可无、缺乏情感的符号。但是人们知道，“点”作为一切形态设计的基础，在空间坐标体系中还是具有位置关系的，也正是由于这种客观存在，“点”依然是能够表达特殊情感的语言，即隐藏在该位置关系中的情感语言。在二维空间体系中，一个独立的“点”尽管只是一个常见的符号标识，却肯定与边界以及心点之间保持着位置关系，点与点之间也同样存在着如此的关系，所以这种关系决定了不同的、潜在的情感关系。     

基于SVM线性核函数情感分类模型的建立和研究

通过对流行音乐情感分类方法的分析,结合音乐主旋律的音程差值所占比例的高低,提取音乐的情感信息.并以音程差统计得到的数据为依据,建立基于SVM线性核函数情感分类的数学模型.通过对MIDI音乐文件进行主音轨定位,主旋律识别和乐段分割,结合一对多思想方法构造多分类SVM分类器,从而在SVM线性核函数基础上对流行音乐情感分类进行研究.     

基于多情感说话人自适应的情感语音合成研究

提出了一种基于多情感自适应的情感语音合成方法,其创新点在于,通过SAT过程从多个说话人的情感语音语料中获得情感语音的平均音模型,对目标说话人的情感数据进行自适应变换,构建目标情感的声学参数模型,从而达到合成出目标说话人的情感语音的效果.实验表明,本方提出的方法能够获得自然度和情感相似度均较好的合成情感语音.     

行为金融学和投资者信念模型

近几年,大量文献发现的证券市场异常现象(anomalies)严重地挑战了有效市场假说。建立了一个投资者信念模型,认为投资者的信念是在不完美信息下对公司级和市场级两个层面的分析之后形成的。提出模型不仅假设更合理,还以简约和统一的方式同时解释了多个已发现的异常,如反应过度和反应不足、小市值公司或高成长性公司效应,并给出了计算机仿真。还提出了两个有待验证的异常现象。     

上下文相关汉语自动分词及词法预处理算法

提出了一种适合于汉英机器翻译的上下文相关汉语自动分词及词法预处理算法.该算法采用正向多路径匹配算法和基于上下文相关知识的歧义切分消解算法,充分利用汉英机译系统词典库中的大量语法和语义等知识进行上下文相关的规则推导消歧,使自动分词的准确率达到了99%以上.同时,该算法还对汉语中意义冗余的重叠词和可以与中心词离合的虚词等进行了词法预处理,从而一方面可以减少系统词典的收词量,另一方面方便于对句子的分析处理.     

短肢剪力墙在小高层框剪住宅设计中的应用

结合工程实践介绍短肢剪力墙在框剪结构中的应用．通过对同一建筑不同结构方案计算结果的对比分析,阐明了小高层住宅建筑结构设计中短肢剪力墙能满足结构功能上的需要,是降低结构经济指标的可行途径和较经济合理的选择．     

从卢照邻作品意象看其情志

卢照邻是"初唐四杰"之一,也是"四杰"中命运比较凄惨的一个,落得个自尽的下场。他的作品有其独特的"意象"。根据这些"意象",可以发掘卢照邻的"情志"。分析这些意象,卢照邻作品中的意象大致可以分为三组。三组意象分别表现了卢照邻孤独寂寞的感受、伤叹衰老的心境和悲哀伤感的情调。究其悲哀原因,一是生不逢时,才高位下;一是病魔缠身。     

《中华人民共和国合同法》英译本指瑕

《中华人民共和国合同法》的三个英译版本存在许多错误、失真和不当之处。结合相关法律条文来看,英译本在词类用法、遣词造句、用语表达等方面存在一些具体问题,针对这些问题逐个进行分析,并提出了修改意见。     

普通高校音乐素质课的教学内容与教学方法探微

随着我国普通高校学科建设的不断发展、教学改革的不断深入,音乐素质课逐渐进入非音乐专业学生的课堂。普通高校开设音乐素质课,有助于提升学生思想道德品位,有助于培养学生高尚的情操和健康的人生观。     

基于结构的文本信息检索技术的设计与实现

设计了文本信息检索的一些数据结构,包括结构化倒排索引、结构索引和词典等,并在此结构的基础上设计实现了基于内容和结构的查询算法。这些算法以计算机机群并行环境为基础,并行数据查询提高了查询的速度。     

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征，而忽略了金融新闻句子中单词之间的结构关系，从而导致股价波动预测研究效果不佳。针对该问题，提出了一种基于双流长短时记忆网络（long short term memory network, LSTM）神经网络的股价趋势预测模型（Sent2Vec-DLSTM）。该模型的创新之处在于：提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec；提出了新型的双流LSTM神经网络（Dual-stream LSTM, DLSTM）。在实验中，首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测，然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明，Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。