TA的每日心情 | 慵懒
2020-8-28 15:16 |
|---|
签到天数: 1 天 [LV.1]初来乍到
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
摘 要： 主题情感混合模型（ＲｅｖｅｒｓｅＪｏｉｎｔＳｅｎｔｉｍｅｎｔ／ＴｏｐｉｃＭｏｄｅｌ；ＪｏｉｎｔＳｅｎｔｉｍｅｎｔ／ＴｏｐｉｃＭｏｄｅｌ）能够有效地同时抽取 文档的主题和情感信息，在情感分析领域受到广泛的关注，因为没有考虑整体分布与局部分布的关系，导致分类效果 不佳且不稳定．本文同时考虑两个粒度上的情感 ／主题分布———文档级和局部，提出多粒度的主题情感混合模型（ＭＧ ＲＪＳＴ；ＭＧＪＳＴ）．ＭＧＲＪＳＴ／ＭＧＪＳＴ在文档级分布和局部分布的共同作用下生成单词的情感 ／主题；使用吉布斯采样进 行模型推理，并给出了推理过程；在 ＭＲ与 ＭＤＳ数据集上进行实验，实验结果表明本文算法分类效果优于主题情感混 合模型，且稳定性更好．
- }" x4 e* `: w0 [2 k关键词： ＬＤＡ；主题情感混合模型；情感分析；多粒度9 `! ~" E+ O9 t# E: K1 x' ]
}& Y2 ^) {2 N) U3 H5 j. H, A
1 N! U* J, ~' s! x/ D
4 e/ N; o" w5 R. O& v6 r7 i4 e4 m
* u7 ?& s, ]+ k+ ^, ?" x
7 y. L3 P6 x4 \- B+ f4 p随着互联网的普及与发展，越来越多的用户在网上 发表评论，表达对某个事件或产品的观点和看法．如何 有效地分析海量的评论信息，了解大众舆论的观点走向 和情感倾向具有重要的现实意义［１］．情感分析（ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ）可以对主观性文档进行分析和处理，挖掘文档 背后隐含的情感信息，是信息检索和自然语言处理领域 研究的热点问题．
) Q3 o: p# @9 D5 @9 i* ]* L. m, L- H5 V7 Z1 y! j
/ j' J0 |1 A% Z4 B
! m2 j% [$ q# P" }
# E) t+ B1 }) r附件下载：
: r+ Z/ y' {; _+ a |
|
/1 
发表于 2021-5-6 14:35
收藏
淘帖
支持！
反对！