CN107590134A - 文本情感分类方法、存储介质及计算机 - Google Patents
文本情感分类方法、存储介质及计算机 Download PDFInfo
- Publication number
- CN107590134A CN107590134A CN201711012851.8A CN201711012851A CN107590134A CN 107590134 A CN107590134 A CN 107590134A CN 201711012851 A CN201711012851 A CN 201711012851A CN 107590134 A CN107590134 A CN 107590134A
- Authority
- CN
- China
- Prior art keywords
- vector
- low
- image feature
- level image
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种文本情感分类方法、存储介质及计算机,其中方法包括如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。解决现有技术情感分类不够高效、稳定的问题。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种文本情感分类的方法及存储介质。
背景技术
情感分类,其主要用于分析或预测带有情感倾向的文本所属的情感类别。一般分为正向、负向或者正向、负向以及中性。根据研究对象的大小粒度的差别,可以粗略地将情感分析技术分为如下三个层次:词语级、句子级和篇章级的情感分析。
基于词语级的情感分类又可以分为基于词典的情感分类模型和基于语料库的情感分类模型。基于词典的情感分类模型依靠已有的词典中的同义、反义关系来判断文本中词的情感倾向。有学者将“好”和“坏”这类明显倾向的词作为基准词,然后再计算登录词与基准词之间的互信息的差。有学者利用HowNet标注检测文本中的形容词的模糊情感类别,通过计算净覆盖得分来区分情感类别不确定的形容词和情感类别确定的核心形容词。基于语料库的情感分类模型主要是通过对已有的语料库进行统计分析,来识别词语的情感倾向性。有学者提出一种基于情感一致性理论的方法,他们认为不同的连接词蕴含着潜在的语义关系,所以利用语料库中的连接词可以挖掘出未登录词的语义情感。有学者提出了一种解决情感词领域依赖的方法,首先用已有的语料库来抽取文本中的情感词和情感对象,然后将它们形成一个情感搭配对,利用启发式算法来计算出每个情感搭配对的情感,将最后结果构造成一个情感搭配词典,这种做法在一定程度上解决了情感词的上下文依赖。
基于句子级的情感分类又可以分为两个子方向:基于语义的情感分类和基于统计的情感分类。基于语义的情感分类需要匹配情感词典来找出句子中的情感词,再通过情感词的情感强度或者极性来计算句子整体的情感。有学者尝试利用修辞结构理论解决句子的情感倾向性问题,首先根据该理论将句子划分为不同的文本元素块,并根据对文档整体情感的重要程度对每个元素块分配不同的权重,最后通过加权求得句子整体的情感得分进行情感预测。基于统计的情感分析方法就是基于机器学习的方法,利用已经标注的数据通过机器学习算法训练出一个模型,然后用该模型对未知的文本数据进行情感倾向的预测。有学者尝试利用正负向情感词的个数、否定词、特殊的关键词、词性标签以及表情符号以及等来构建特征向量,利用机器学习的方法对推特数据进行情感倾向分类,随着深度学习的大热,也有学者利用递归神经网络对短语向量和词向量进行组合并其作为特征送入分类器中进行情感倾向分析,实验证明了该类方法的有效性。
基于篇章级情感分类主要研究像新闻、博客等这样篇章级文本的整体情感。研究的重点是放在文本的语义信息上。有学者提出的方法分析了篇章级文本中出现的评价短语词组,通过分析这些评价短语词组的情感倾向性,半自动地构建一个情感词典,然后利用情感词典来分析篇章的整体情感。而基于机器学习的方法来对篇章级文本进行情感分析则更为普遍。该类方法利用情感词、短语等各种资源,通过支持向量机这一经典机器学习算法来构建篇章级文本的情感分类模型。此外,还有一类方法是先将篇章级文本划分为多个句子,并利用最大熵算法对每一个句子进行情感分析;然后将句子的情感倾向与其位置、句式等特征结合,形成篇章的特征送入支持向量机,训练出篇章级文本的情感分类器,也取得了不错的结果。
发明内容
为此,需要提供一种文本情感分类方法,解决现有技术情感分类不够高效、稳定的问题;
为实现上述目的,发明人提供了一种文本情感分类方法,包括如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。
具体地,所述底层向量提取具体为,对底层特征使用向量空间模型进行表达,其中每一维的特征为归一化后的TF-TDF权重。
进一步地,底层特征向量、中层特征向量加权融合表达为,
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。
优选地,所述对词向量进行池化具体步骤后包括,将底层特征向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。
一种文本情感分类存储介质,存储有计算机程序,所述计算机程序在被处理器执行时实现如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。
进一步地,所述底层向量提取具体为,对底层特征使用向量空间模型进行表达,其中每一维的特征为归一化后的TF-TDF权重。
具体地,底层特征向量、中层特征向量加权融合表达为,
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。
优选地,所述对词向量进行池化具体步骤还包括,将底层特征向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。
一种计算机,所述计算机包括上述的存储介质。
区别于现有技术,本发明可以通过学习来建立一个高效、稳定的维度较低的情感词典,继续运用情感词典,同时结合特征融合和分类器融合的方式,来有效提高分类精度,通过底层、中层、融合特征向量,再通过三个分类器去产生分类结果,能够使得最终的分类结果更稳定,更具有鲁棒性。还通过细致的池化过程减少了本发明方法的计算量,综上所述,本发明解决了现有技术中文本情感分类效率不高,分类精度不足的问题。
附图说明
图1为本发明一实施方式涉及的文本情感分类方法的流程图;
图2为本发明一实施方式涉及的文本情感分类方法全流程示意图;
图3为本发明一实施方式涉及的池化过程图;
图4为本发明一实施方式涉及的特征融合图;
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,为一种文本情感分类方法,本方法是基于极限学习机的情感分类模型。极限学习机是一种单隐层的前馈神经网络(Single-hidden Layer FeedforwardNeural Networks,SLFNs),该网络由输入层、隐藏层、输出层三部分组成,同时输入层到隐藏层、隐藏层到输出层之间都是全连接。本发明方法可以开始于步骤,
S100对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取。在某些实施例中,如图2所示,情感词典构建步骤包括词性选择和底层特征选择两个过程。词性选择表达在本发明中选择名词、动词、形容词和副词共同作为基准词,情感词典可以是所有选择材料中出现过的四种词性的基准词集合。并将不同词性的词相组合构成一篇文档的潜在语义信息,这样能最大程度保证了情感词典的覆盖面,同时保留了文档的语义信息。地层特征向量提取采用基于卡方统计的底层特征选择原理进一步选择最能代表文本情感极性的特征词。其中底层特征选择向量空间模型进行表达,其中向量中每维的特征是归一化后的TF-IDF权重。
步骤S102中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;具体地,我们可以采用无监督方式训练Skip-gram模型,并用训练好的模型输入训练样本,产生训练样本词向量。具体的池化步骤如图3所示,我们可以将词向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。假设文本包含x个词语,经过底层特征提取后剩下t个词语,这条文本表示为T=(w1,w2,...wt),其中每个单词的词向量为,每个词向量有k维特征;
(2)将文本T中的词向量等分成N份,形成N个词向量组,每个组里面对应有t/N个词向量;
(3)对于每个词向量组进行以下操作:将组内所有词向量进行累加,最终每个词向量组都会形成一个特征向量v(z),该特征向量的维度也是k;
(4)将N个词向量组的特征向量串联起来就得到整个文档的特征一个全新的向量,如公式所示:v(z1)||v(z2)||...||v(zN)。其中||表示串联的符号。
如图1和图4所示,本发明还进行步骤S104对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,S106分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。在某些实施例中,可以参看图2,对输入样本所属的情感分类的具体过程为:分别将待判定样本的底层特征、中层特征和组合特征送入对应的训练好的基于极限学习机的情感分类模型中,再将三个分类模型的输出结果向量进行相加,得到最终的判别向量,该向量中值最大对应标签就是最终的情感类别。
通过上述步骤,本发明可以通过学习来建立一个高效、稳定的维度较低的情感词典,继续运用情感词典,同时结合特征融合和分类器融合的方式,来有效提高分类精度,通过底层、中层、融合特征向量,再通过三个分类器去产生分类结果,能够使得最终的分类结果更稳定,更具有鲁棒性。还通过细致的池化过程减少了本发明方法的计算量,综上所述,本发明解决了现有技术中文本情感分类效率不高,分类精度不足的问题。
在其他一些进一步的实施例中,底层特征向量、中层特征向量加权融合表达为,
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。通过上述方式,能够使得底层特征向量与中层特征向量的结合比例能够根据用户需要准确地进行调节。通过对结合方式进行更好地拟合调整,更好地达到提高模型分类精度的效果。
优选地的实施例中,还可以在步骤S100之前先进行步骤,对文本进行预处理,去除与本任务不相干的信息,例如规范编码格式、去除非法字符、分词以及词性标注处理和停用词处理。规范编码格式用于统一文本编码操作,例如将文本内容统一为UTF-8的编码格式;去除非法字符可以采用正则表达式匹配的方式对非法字符进行过滤处理;分词词性标注处理采用ICTCLAS汉语词法分析***进行分词和词性标注;停用词处理采用停用词表对文本中经常出现但其本身对情感分析意义不大的词进行过滤。通过预处理过程,能够提高文本分词对于分类器的针对性及适应性,极大加快本发明方法对文本的识别效率。
一种文本情感分类存储介质,存储有计算机程序,所述计算机程序在被处理器执行时实现如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。
进一步地,所述底层向量提取具体为,对底层特征使用向量空间模型进行表达,其中每一维的特征为归一化后的TF-TDF权重。
具体地,底层特征向量、中层特征向量加权融合表达为,
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。
优选地,所述对词向量进行池化具体步骤还包括,将底层特征向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。
一种计算机,所述计算机包括上述的存储介质。通过设计上述存储介质和计算机,本发明解决了现有技术中文本情感分类效率不高,分类精度不足的问题。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (9)
1.一种文本情感分类方法,其特征在于,包括如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。
2.根据权利要求1所述的文本情感分类方法,其特征在于,所述底层向量提取具体为,对底层特征使用向量空间模型进行表达,其中每一维的特征为归一化后的TF-TDF权重。
3.根据权利要求1所述的文本情感分类方法,其特征在于,底层特征向量、中层特征向量加权融合表达为,
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
<mo>)</mo>
</mrow>
<mi>M</mi>
</mrow>
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。
4.根据权利要求1所述的文本情感分类方法,其特征在于,所述对词向量进行池化具体步骤后包括,将底层特征向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。
5.一种文本情感分类存储介质,存储有计算机程序,其特征在于,所述计算机程序在被处理器执行时实现如下步骤,对输入文本进行情感词典构建,所述情感词典构建步骤包括词性选择表达、底层特征向量提取;中层特征提取,结合所述情感词典,采集训练样本的词向量,对训练样本的词向量进行池化后得到中层特征向量;对所述底层特征向量、中层特征向量进行加权融合,得到融合特征向量,分别基于底层特征向量分类模型、中层特征向量分类模型、融合特征向量分类模型计算分类结果。
6.根据权利要求5所述的文本情感分类存储介质,其特征在于,所述底层向量提取具体为,对底层特征使用向量空间模型进行表达,其中每一维的特征为归一化后的TF-TDF权重。
7.根据权利要求5所述的文本情感分类存储介质,其特征在于,底层特征向量、中层特征向量加权融合表达为,
<mrow>
<mo>&part;</mo>
<mi>L</mi>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&part;</mo>
<mo>)</mo>
</mrow>
<mi>M</mi>
</mrow>
其中,L表示底层特征向量,M表示为中层特征向量,为底层特征的权重,||表示的是串联的符号。
8.根据权利要求5所述的文本情感分类存储介质,其特征在于,所述对词向量进行池化具体步骤还包括,将底层特征向量的维度数等分为若干份,将每一份维度中的词向量进行求和,再将求和结果按先后顺序对求和结果进行合并。
9.一种计算机,其特征在于,所述计算机包括权利要求5-8任一项所述的存储介质。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711012851.8A CN107590134A (zh) | 2017-10-26 | 2017-10-26 | 文本情感分类方法、存储介质及计算机 |
PCT/CN2018/111607 WO2019080863A1 (zh) | 2017-10-26 | 2018-10-24 | 文本情感分类方法、存储介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711012851.8A CN107590134A (zh) | 2017-10-26 | 2017-10-26 | 文本情感分类方法、存储介质及计算机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590134A true CN107590134A (zh) | 2018-01-16 |
Family
ID=61043372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711012851.8A Pending CN107590134A (zh) | 2017-10-26 | 2017-10-26 | 文本情感分类方法、存储介质及计算机 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107590134A (zh) |
WO (1) | WO2019080863A1 (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363753A (zh) * | 2018-01-30 | 2018-08-03 | 南京邮电大学 | 评论文本情感分类模型训练与情感分类方法、装置及设备 |
CN108804417A (zh) * | 2018-05-21 | 2018-11-13 | 山东科技大学 | 一种基于特定领域情感词的文档级情感分析方法 |
CN109033089A (zh) * | 2018-09-06 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 情感分析方法和装置 |
CN109582963A (zh) * | 2018-11-29 | 2019-04-05 | 福建南威软件有限公司 | 一种基于极限学习机的档案自动分类方法 |
WO2019080863A1 (zh) * | 2017-10-26 | 2019-05-02 | 福建亿榕信息技术有限公司 | 文本情感分类方法、存储介质及计算机 |
CN109783800A (zh) * | 2018-12-13 | 2019-05-21 | 北京百度网讯科技有限公司 | 情感关键词的获取方法、装置、设备及存储介质 |
CN110362734A (zh) * | 2019-06-24 | 2019-10-22 | 北京百度网讯科技有限公司 | 文本识别方法、装置、设备及计算机可读存储介质 |
CN110795564A (zh) * | 2019-11-01 | 2020-02-14 | 南京稷图数据科技有限公司 | 一种缺少负例的文本分类方法 |
CN110909167A (zh) * | 2019-11-29 | 2020-03-24 | 重庆邮电大学 | 一种微博文本分类*** |
CN111159410A (zh) * | 2019-12-31 | 2020-05-15 | 广州广电运通信息科技有限公司 | 一种文本情感分类方法、***、装置及存储介质 |
CN111324734A (zh) * | 2020-02-17 | 2020-06-23 | 昆明理工大学 | 融合情绪知识的案件微博评论情绪分类方法 |
CN111930938A (zh) * | 2020-07-06 | 2020-11-13 | 武汉卓尔数字传媒科技有限公司 | 文本分类方法、装置、电子设备及存储介质 |
CN113222772A (zh) * | 2021-04-08 | 2021-08-06 | 合肥工业大学 | 本土人格词典构建方法、***、存储介质以及电子设备 |
CN113344121A (zh) * | 2021-06-29 | 2021-09-03 | 北京百度网讯科技有限公司 | 训练招牌分类模型和招牌分类的方法 |
CN115545573A (zh) * | 2022-11-30 | 2022-12-30 | 北京清众神州大数据有限公司 | 基于社会事件的风险预警方法、装置、设备和存储介质 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968697B (zh) * | 2019-12-20 | 2023-06-16 | 合肥讯飞数码科技有限公司 | 文本分类方法、装置、设备及可读存储介质 |
CN111339305B (zh) * | 2020-03-20 | 2023-04-14 | 北京中科模识科技有限公司 | 文本分类方法、装置、电子设备及存储介质 |
CN111708886A (zh) * | 2020-06-11 | 2020-09-25 | 国网天津市电力公司 | 一种基于数据驱动的舆情分析终端及舆情文本分析方法 |
CN113239685B (zh) * | 2021-01-13 | 2023-10-31 | 中国科学院计算技术研究所 | 一种基于双重情感的舆情检测方法及*** |
CN112836051B (zh) * | 2021-02-19 | 2024-03-26 | 太极计算机股份有限公司 | 一种在线自学习的法院电子卷宗文本分类方法 |
CN113011192B (zh) * | 2021-03-16 | 2023-09-15 | 广东工业大学 | 基于注意力因果解释的文本情感特征提取方法 |
CN113312481A (zh) * | 2021-05-27 | 2021-08-27 | 中国平安人寿保险股份有限公司 | 基于区块链的文本分类方法、装置、设备以及存储介质 |
CN117521639B (zh) * | 2024-01-05 | 2024-04-02 | 湖南工商大学 | 一种结合学术文本结构的文本检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020712A (zh) * | 2012-12-28 | 2013-04-03 | 东北大学 | 一种海量微博数据的分布式分类装置及方法 |
CN103729431A (zh) * | 2013-12-26 | 2014-04-16 | 东北大学 | 具有增减量功能的海量微博数据分布式分类装置及方法 |
CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
CN105824922A (zh) * | 2016-03-16 | 2016-08-03 | 重庆邮电大学 | 一种融合深层特征和浅层特征的情感分类方法 |
CN106503049A (zh) * | 2016-09-22 | 2017-03-15 | 南京理工大学 | 一种基于svm融合多种情感资源的微博情感分类方法 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107247702A (zh) * | 2017-05-05 | 2017-10-13 | 桂林电子科技大学 | 一种文本情感分析处理方法和*** |
CN107291696A (zh) * | 2017-06-28 | 2017-10-24 | 达而观信息科技(上海)有限公司 | 一种基于深度学习的评论词情感分析方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101377769A (zh) * | 2007-08-29 | 2009-03-04 | 中国科学院自动化研究所 | 一种文本信息的多粒度表示方法 |
CN102789498B (zh) * | 2012-07-16 | 2014-08-06 | 钱钢 | 基于集成学习的中文评论文本的情感分类方法与*** |
CN106326212B (zh) * | 2016-08-26 | 2019-04-16 | 北京理工大学 | 一种基于层次深度语义的隐式篇章关系分析方法 |
CN107590134A (zh) * | 2017-10-26 | 2018-01-16 | 福建亿榕信息技术有限公司 | 文本情感分类方法、存储介质及计算机 |
-
2017
- 2017-10-26 CN CN201711012851.8A patent/CN107590134A/zh active Pending
-
2018
- 2018-10-24 WO PCT/CN2018/111607 patent/WO2019080863A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020712A (zh) * | 2012-12-28 | 2013-04-03 | 东北大学 | 一种海量微博数据的分布式分类装置及方法 |
CN103729431A (zh) * | 2013-12-26 | 2014-04-16 | 东北大学 | 具有增减量功能的海量微博数据分布式分类装置及方法 |
CN104820997A (zh) * | 2015-05-14 | 2015-08-05 | 北京理工大学 | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 |
CN105824922A (zh) * | 2016-03-16 | 2016-08-03 | 重庆邮电大学 | 一种融合深层特征和浅层特征的情感分类方法 |
CN106503049A (zh) * | 2016-09-22 | 2017-03-15 | 南京理工大学 | 一种基于svm融合多种情感资源的微博情感分类方法 |
CN107092596A (zh) * | 2017-04-24 | 2017-08-25 | 重庆邮电大学 | 基于attention CNNs和CCR的文本情感分析方法 |
CN107247702A (zh) * | 2017-05-05 | 2017-10-13 | 桂林电子科技大学 | 一种文本情感分析处理方法和*** |
CN107291696A (zh) * | 2017-06-28 | 2017-10-24 | 达而观信息科技(上海)有限公司 | 一种基于深度学习的评论词情感分析方法及*** |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019080863A1 (zh) * | 2017-10-26 | 2019-05-02 | 福建亿榕信息技术有限公司 | 文本情感分类方法、存储介质及计算机 |
CN108363753B (zh) * | 2018-01-30 | 2020-05-19 | 南京邮电大学 | 评论文本情感分类模型训练与情感分类方法、装置及设备 |
CN108363753A (zh) * | 2018-01-30 | 2018-08-03 | 南京邮电大学 | 评论文本情感分类模型训练与情感分类方法、装置及设备 |
CN108804417A (zh) * | 2018-05-21 | 2018-11-13 | 山东科技大学 | 一种基于特定领域情感词的文档级情感分析方法 |
CN108804417B (zh) * | 2018-05-21 | 2022-03-15 | 山东科技大学 | 一种基于特定领域情感词的文档级情感分析方法 |
CN109033089A (zh) * | 2018-09-06 | 2018-12-18 | 北京京东尚科信息技术有限公司 | 情感分析方法和装置 |
CN109033089B (zh) * | 2018-09-06 | 2021-01-26 | 北京京东尚科信息技术有限公司 | 情感分析方法和装置 |
CN109582963A (zh) * | 2018-11-29 | 2019-04-05 | 福建南威软件有限公司 | 一种基于极限学习机的档案自动分类方法 |
CN109783800A (zh) * | 2018-12-13 | 2019-05-21 | 北京百度网讯科技有限公司 | 情感关键词的获取方法、装置、设备及存储介质 |
CN109783800B (zh) * | 2018-12-13 | 2024-04-12 | 北京百度网讯科技有限公司 | 情感关键词的获取方法、装置、设备及存储介质 |
CN110362734A (zh) * | 2019-06-24 | 2019-10-22 | 北京百度网讯科技有限公司 | 文本识别方法、装置、设备及计算机可读存储介质 |
CN110795564A (zh) * | 2019-11-01 | 2020-02-14 | 南京稷图数据科技有限公司 | 一种缺少负例的文本分类方法 |
CN110795564B (zh) * | 2019-11-01 | 2022-02-22 | 南京稷图数据科技有限公司 | 一种缺少负例的文本分类方法 |
CN110909167A (zh) * | 2019-11-29 | 2020-03-24 | 重庆邮电大学 | 一种微博文本分类*** |
CN110909167B (zh) * | 2019-11-29 | 2022-07-01 | 重庆邮电大学 | 一种微博文本分类*** |
CN111159410A (zh) * | 2019-12-31 | 2020-05-15 | 广州广电运通信息科技有限公司 | 一种文本情感分类方法、***、装置及存储介质 |
CN111324734A (zh) * | 2020-02-17 | 2020-06-23 | 昆明理工大学 | 融合情绪知识的案件微博评论情绪分类方法 |
CN111930938A (zh) * | 2020-07-06 | 2020-11-13 | 武汉卓尔数字传媒科技有限公司 | 文本分类方法、装置、电子设备及存储介质 |
CN113222772B (zh) * | 2021-04-08 | 2023-10-31 | 合肥工业大学 | 本土人格词典构建方法、***、存储介质以及电子设备 |
CN113222772A (zh) * | 2021-04-08 | 2021-08-06 | 合肥工业大学 | 本土人格词典构建方法、***、存储介质以及电子设备 |
CN113344121A (zh) * | 2021-06-29 | 2021-09-03 | 北京百度网讯科技有限公司 | 训练招牌分类模型和招牌分类的方法 |
CN113344121B (zh) * | 2021-06-29 | 2023-10-27 | 北京百度网讯科技有限公司 | 训练招牌分类模型和招牌分类的方法 |
CN115545573A (zh) * | 2022-11-30 | 2022-12-30 | 北京清众神州大数据有限公司 | 基于社会事件的风险预警方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019080863A1 (zh) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590134A (zh) | 文本情感分类方法、存储介质及计算机 | |
Mathews et al. | Semstyle: Learning to generate stylised image captions using unaligned text | |
CN109145712B (zh) | 一种融合文本信息的gif短视频情感识别方法及*** | |
CN107679580A (zh) | 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法 | |
CN108427670A (zh) | 一种基于语境词向量和深度学习的情感分析方法 | |
CN107025284A (zh) | 网络评论文本情感倾向的识别方法及卷积神经网络模型 | |
CN107133214A (zh) | 一种基于评论信息的产品需求偏好特征挖掘及其质量评估方法 | |
CN104965822A (zh) | 一种基于计算机信息处理技术的中文文本情感分析方法 | |
Naseem et al. | Dice: Deep intelligent contextual embedding for twitter sentiment analysis | |
Lin et al. | Deep structured scene parsing by learning with image descriptions | |
CN106997341A (zh) | 一种创新方案匹配方法、装置、服务器及*** | |
CN108154156B (zh) | 基于神经主题模型的图像集成分类方法及装置 | |
CN108647191A (zh) | 一种基于有监督情感文本和词向量的情感词典构建方法 | |
CN110750648A (zh) | 一种基于深度学习和特征融合的文本情感分类方法 | |
Huber et al. | Predicting discourse structure using distant supervision from sentiment | |
Liu et al. | Idiom-aware compositional distributed semantics | |
CN110825850A (zh) | 一种自然语言主题分类方法及装置 | |
CN111144410A (zh) | 一种跨模态的图像语义提取方法、***、设备及介质 | |
Huang et al. | C-Rnn: a fine-grained language model for image captioning | |
CN110472245A (zh) | 一种基于层次化卷积神经网络的多标记情绪强度预测方法 | |
Errami et al. | Sentiment Analysis onMoroccan Dialect based on ML and Social Media Content Detection | |
CN109033073A (zh) | 文本蕴含识别方法及装置 | |
CN109670169B (zh) | 一种基于特征提取的深度学习情感分类方法 | |
Mahdin et al. | Sentiment analysis on COVID-19 vaccine tweets using machine learning and deep learning algorithms | |
Sun et al. | Semantic aware video transcription using random forest classifiers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |