期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合多尺度特征的多模态情感分析模型设计与实验
被引量：
2
1
作者
刘忠宝
雷宇飞
《实验室研究与探索》
CAS
北大核心
2024年第9期78-83,96,共7页
多模态情感分析的关键是情感特征提取。针对现有研究存在特征表达能力不强、情感分析效率较低等问题,研究设计融合多尺度特征的多模态情感分析模型,以实现高效、多模态情感分析。对音频、图像和文本等多模态数据向量化;设计多尺度卷积...
多模态情感分析的关键是情感特征提取。针对现有研究存在特征表达能力不强、情感分析效率较低等问题,研究设计融合多尺度特征的多模态情感分析模型,以实现高效、多模态情感分析。对音频、图像和文本等多模态数据向量化;设计多尺度卷积神经网络并特征提取;进行统计池化处理,得到特征向量的标准差、最大值和平均值,引入注意力机制特征向量融合;利用跨模态数据及特征向量情感倾向识别。自建实验数据集比较结果表明,在单模态情感分析和多模态情感分析中,所提模型较现有模型均具有更高准确率,多模态数据的统计学特征以及统计学加权特征对于多模态情感分析具有重要价值。
展开更多
关键词
多模态
情感分析
多尺度特征
统计学特征
特征融合
在线阅读
下载PDF
职称材料
知识与数据驱动的多粒度中文文本情感分析
被引量：
1
2
作者
刘忠宝
王宇飞
《计算机工程与应用》
CSCD
北大核心
2023年第15期177-186,共10页
近年来,中文文本情感分析研究取得了长足进步,但鲜有研究从语言间的差异性、领域知识的有效性和下游任务需求等方面进行探讨。鉴于此,针对中文文本的特殊性以及情感分析的实际需求,将情感知识三元组通过TransE模型得到的知识向量与双向...
近年来,中文文本情感分析研究取得了长足进步,但鲜有研究从语言间的差异性、领域知识的有效性和下游任务需求等方面进行探讨。鉴于此,针对中文文本的特殊性以及情感分析的实际需求,将情感知识三元组通过TransE模型得到的知识向量与双向门控循环单元、注意力机制等模型得到的特征向量进行深度融合,并在字、词特征的基础上,引入部首特征和情感词性特征,提出知识与数据协同驱动下融入字、词、部首、词性等多粒度语义特征的中文文本情感分析方法。豆瓣电影评论集和NLPECC数据集上的实验结果表明,所提方法能够有效利用情感知识与多粒度特征提升中文情感识别性能,其F1值分别达到了89.23%和84.84%,较好地完成了中文文本情感分析任务。
展开更多
关键词
中文文本
知识图谱
多粒度语义特征
情感分析
在线阅读
下载PDF
职称材料
融合磁极效应和数据分布特征的最大间隔学习机
3
作者
刘忠宝
张兴芹
王文莉
《江西师范大学学报（自然科学版）》
CAS
北大核心
2023年第6期645-651,共7页
基于几何边界的分类方法是一种典型的智能分类方法,已有的一些方法不仅忽略数据的分布特性,而且没有考虑不同样本对分类结果的影响,因而分类精度有待于进一步提高.鉴于此,受磁极效应启发,该文提出一种新颖的融合磁极效应和数据分布特征...
基于几何边界的分类方法是一种典型的智能分类方法,已有的一些方法不仅忽略数据的分布特性,而且没有考虑不同样本对分类结果的影响,因而分类精度有待于进一步提高.鉴于此,受磁极效应启发,该文提出一种新颖的融合磁极效应和数据分布特征的最大间隔学习机.该模型构造的分类超平面距离一类尽可能近,而距离另一类尽可能远,尽量地将这2类分开.该模型利用类内离散度和类间离散度来刻画数据分布特征,以期在分类决策时将数据的分布形状考虑在内.此外,模糊隶属度的引入突出了不同样本对分类结果的影响.在UCI标准数据上的比较实验表明该方法是有效的.
展开更多
关键词
分类
磁极效应
数据分布
类内离散度
类间离散度
在线阅读
下载PDF
职称材料
题名
融合多尺度特征的多模态情感分析模型设计与实验
被引量：
2
1
作者
刘忠宝
雷宇飞
机构
山东外国语职业技术大学信息工程学院
北京语言
大学
信息
科学
学院
泉州
信息
工程
学院
软件
学院
出处
《实验室研究与探索》
CAS
北大核心
2024年第9期78-83,96,共7页
基金
福建省社会科学基金项目(FJ2022A018)
山东省社科联2024年度人文社会科学课题(24BJX102)。
文摘
多模态情感分析的关键是情感特征提取。针对现有研究存在特征表达能力不强、情感分析效率较低等问题,研究设计融合多尺度特征的多模态情感分析模型,以实现高效、多模态情感分析。对音频、图像和文本等多模态数据向量化;设计多尺度卷积神经网络并特征提取;进行统计池化处理,得到特征向量的标准差、最大值和平均值,引入注意力机制特征向量融合;利用跨模态数据及特征向量情感倾向识别。自建实验数据集比较结果表明,在单模态情感分析和多模态情感分析中,所提模型较现有模型均具有更高准确率,多模态数据的统计学特征以及统计学加权特征对于多模态情感分析具有重要价值。
关键词
多模态
情感分析
多尺度特征
统计学特征
特征融合
Keywords
multi-modal
sentiment analysis
multi-scale feature
statistical feature
feature fusion
分类号
G202 [文化科学—传播学]
在线阅读
下载PDF
职称材料
题名
知识与数据驱动的多粒度中文文本情感分析
被引量：
1
2
作者
刘忠宝
王宇飞
机构
山东外国语职业技术大学信息工程学院
中北
大学
软件
学院
出处
《计算机工程与应用》
CSCD
北大核心
2023年第15期177-186,共10页
基金
福建省社会科学基金(FJ2022A018)
山西省研究生创新项目(2020SY397)。
文摘
近年来,中文文本情感分析研究取得了长足进步,但鲜有研究从语言间的差异性、领域知识的有效性和下游任务需求等方面进行探讨。鉴于此,针对中文文本的特殊性以及情感分析的实际需求,将情感知识三元组通过TransE模型得到的知识向量与双向门控循环单元、注意力机制等模型得到的特征向量进行深度融合,并在字、词特征的基础上,引入部首特征和情感词性特征,提出知识与数据协同驱动下融入字、词、部首、词性等多粒度语义特征的中文文本情感分析方法。豆瓣电影评论集和NLPECC数据集上的实验结果表明,所提方法能够有效利用情感知识与多粒度特征提升中文情感识别性能,其F1值分别达到了89.23%和84.84%,较好地完成了中文文本情感分析任务。
关键词
中文文本
知识图谱
多粒度语义特征
情感分析
Keywords
Chinese text
knowledge graph
multi-granularity semantic features
sentiment analysis
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
融合磁极效应和数据分布特征的最大间隔学习机
3
作者
刘忠宝
张兴芹
王文莉
机构
山东外国语职业技术大学信息工程学院
北京语言
大学
语言智能研究院
泉州
信息
工程
学院
软件
学院
出处
《江西师范大学学报（自然科学版）》
CAS
北大核心
2023年第6期645-651,共7页
基金
福建省社会科学基金(FJ2022A018,FJ2021B126)资助项目。
文摘
基于几何边界的分类方法是一种典型的智能分类方法,已有的一些方法不仅忽略数据的分布特性,而且没有考虑不同样本对分类结果的影响,因而分类精度有待于进一步提高.鉴于此,受磁极效应启发,该文提出一种新颖的融合磁极效应和数据分布特征的最大间隔学习机.该模型构造的分类超平面距离一类尽可能近,而距离另一类尽可能远,尽量地将这2类分开.该模型利用类内离散度和类间离散度来刻画数据分布特征,以期在分类决策时将数据的分布形状考虑在内.此外,模糊隶属度的引入突出了不同样本对分类结果的影响.在UCI标准数据上的比较实验表明该方法是有效的.
关键词
分类
磁极效应
数据分布
类内离散度
类间离散度
Keywords
classification
magnetic pole effect
data distribution
within-class scatter
between-class scatter
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合多尺度特征的多模态情感分析模型设计与实验
刘忠宝
雷宇飞
《实验室研究与探索》
CAS
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
知识与数据驱动的多粒度中文文本情感分析
刘忠宝
王宇飞
《计算机工程与应用》
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
3
融合磁极效应和数据分布特征的最大间隔学习机
刘忠宝
张兴芹
王文莉
《江西师范大学学报（自然科学版）》
CAS
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
