-
题名基于深度学习的事件特征提取与舆情反转预测
被引量：1
- 1
-
-
作者
王楠
杜豪
谭舒孺
李海荣
姜家慧
-
机构
吉林财经大学管理科学与信息工程学院
吉林财经大学大数据与交叉科学研究院
桂林理工大学信息科学与工程学院
新疆理工学院信息工程学院
-
出处
《情报杂志》
北大核心
2025年第3期107-118,共12页
-
基金
国家社会科学基金项目“基于多源大数据事件融合特征预训练的网络舆情预测研究”(编号:22BTQ048)研究成果。
-
文摘
[研究目的]针对目前舆情事件特征构建存在的问题,考虑事件文本差异性,挖掘更加准确合理的事件深层特征,并用于网络舆情反转预测。[研究方法]基于注意力机制和Transformer等深度学习方法构建了一个事件特征提取模型Doc2EV:对于事件描述文本,提出基于等级掩码注意力的事件描述特征提取模型HMA_EV,生成事件描述特征;对于事件评论文本,使用最新的事件评论特征提取模型NL2ER-Transformer,生成事件评论特征;将提取的事件描述特征和事件评论特征进行融合,生成完整的事件特征并用于舆情反转预测。[研究结果/结论]研究表明,基于Doc2EV模型生成的事件特征向量在舆情反转预测任务上取得97.83%的准确率,高于其它基线模型组合。等级掩码注意力机制有利于捕捉不同平台、不同事件文本之间的关联性和重要性,有利于提取到关键性的事件描述特征;不同事件文本特征适用不同特征提取器进行提取,融合后的事件特征更全面准确;Doc2EV模型能够很好地实现舆情反转预测任务。
-
关键词
舆情事件
舆情反转预测
深度学习
等级掩码注意力
事件特征提取
异质平台
Doc2EV
-
Keywords
public opinion events
public opinion reversal prediction
deep learning
level mask attention
event feature extraction
heterogeneous platform
Doc2EV
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于知识蒸馏与动态调整机制的多模态情感分析模型
- 2
-
-
作者
王楠
王淇
欧阳丹彤
-
机构
吉林财经大学管理科学与信息工程学院
吉林财经大学大数据与交叉科学研究院
吉林大学计算机科学与技术学院
-
出处
《计算机学报》
北大核心
2025年第8期1923-1942,共20页
-
基金
国家社会科学基金项目(22BTQ048)资助。
-
文摘
近年来,模态缺失已成为多模态情感分析中的重要挑战。然而,现有研究无法有效应对模态缺失场景,导致模型性能显著下降。为解决这一问题,本文提出了基于知识蒸馏与动态调整机制的多模态情感分析模型(Attention-based Uncertain Missing Modality Distillation Framework,AUMDF)。具体而言,设计了一种模态随机缺失策略,以增强模型对不确定模态场景的适应能力。此外,引入了动态权重调整模块和多模态掩码Transformer,用于平衡特征贡献并捕获模态间的细微交互。最后,设计了对比样本蒸馏和基于相似性的表示蒸馏机制,以加强教师模型与学生模型之间的对齐,实现高效的知识传递。在两个基准数据集上的实验结果表明,本文利用知识蒸馏和动态调整机制实现了对多模态数据之间模态交互关系的充分利用,并弥补了模态缺失场景下的研究缺陷。与现有的先进方法相比,在CMU-MOSI数据集上,AUMDF将平均绝对误差降低了0.8%,F1得分提高了0.3%;在CMU-MOSEI数据集上,AUMDF将平均绝对误差降低了0.2%,F1得分提高了0.3%;在IEMOCAP数据集上,AUMDF在“悲伤”与“愤怒”的情感分类中将F1得分分别提高了0.7%和0.2%。
-
关键词
知识蒸馏
多模态情感分析
注意力机制
多模态学习
特征融合
-
Keywords
knowledge distillation
multimodal sentiment analysis
attention mechanism
multimodal learning
feature fusion
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
