社交媒體平臺包含了大量的文本數(shù)據(jù),包括用戶的反饋、評論、對話、意見等信息,這些信息是情感分析的基礎。個體異常檢測和情感建模是情感分析的重要組成部分,也是情感計算的新興方向。個體異常檢測主要指的是用戶的異常情感轉移模式的檢測,個性建模是通過挖掘對話交互中的情感轉移模式,對用戶的相對穩(wěn)定的情緒模式或個性等進行量化表征。目前,個體異常檢測以及情感建模,在追求邏輯性,準確性的同時,往往忽略了對話者的情感個性。本文基于不同平臺的對話交互文本數(shù)據(jù),對多源數(shù)據(jù)(多平臺的對話文本數(shù)據(jù))的個體異常檢測以及情感建模做了綜述,包括其概念、提出背景、相關的方法、研究現(xiàn)狀以及一些不足,主要工作如下:(1)面向個體異常檢測,提出了基于對話交互的情感轉移概率矩陣和張量網(wǎng)絡模型,實現(xiàn)了基于張量相似度的個體異常檢測模型。(2)面向個性情感模擬,基于傳統(tǒng)的馬爾可夫蒙特卡羅方法,提出了EMCMC算法,算法可以模擬出對話情感轉移概率分布對應的樣本。實驗表明,一定范圍內(nèi)收斂限制越大,采樣的序列與源數(shù)據(jù)概率分布越接近。(3)面向個性化情緒生成,提出了GEN-MCMC算法,實現(xiàn)了對話中用戶情感交互的動態(tài)轉移過程和用戶個性化情感轉移...

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

圖1.1文本與對話的區(qū)別場景情感分類極性標注異常監(jiān)測情緒調(diào)節(jié)心理診療

第一章緒論第一章緒論1.1研究背景與意義如今，人們花費很多時間在社交網(wǎng)絡上：分享日常生活、心情狀態(tài)、商品評論、用戶體驗，電影影評等等，這使得社交媒體的文本數(shù)據(jù)非常豐富，這些數(shù)據(jù)不僅僅包含了外在的喜怒哀樂情感，更包含了很多隱藏的信息。這些信息是情緒/情感分析的基礎。對于情緒和....

圖1.2對話異常檢測和個性情感建�？蚣�

圖1.2對話異常檢測和個性情感建�？蚣躻orkforanomalydetectionandpersonalityemotionmodelingofconve示是本文的整體框架和模型圖，以用戶的對話為起點，通過，統(tǒng)計情感轉移概率矩陣，構造情感轉移張量�；趶埩�....

圖3.1用戶對話情感轉移模型

圖3.1用戶對話情感轉移模型Fig.3.1Emotionaltransfermodelofuserconversation所示，是一個簡單的兩個用戶的對話情感轉移過程的抽和用戶B,用戶A的情感依次為,,,…, ,用戶,,....

圖3.2對話情感刺激模型和情感轉移張量模型

量是一階張量(first-order)，矩陣是二階張量(second-order)。張量的表示可以由一個定義域和一個值域的函數(shù)來完成，其中定義域是整數(shù)構成的向量，可以看作是一個空間坐標，值域是一個標量。例如，定義域范圍是<0,0,0>到<4,4,4>，那么在<0,0,0>位....

本文編號：3923444