社交媒體平臺(tái)包含了大量的文本數(shù)據(jù),包括用戶的反饋、評(píng)論、對(duì)話、意見(jiàn)等信息,這些信息是情感分析的基礎(chǔ)。個(gè)體異常檢測(cè)和情感建模是情感分析的重要組成部分,也是情感計(jì)算的新興方向。個(gè)體異常檢測(cè)主要指的是用戶的異常情感轉(zhuǎn)移模式的檢測(cè),個(gè)性建模是通過(guò)挖掘?qū)υ捊换ブ械那楦修D(zhuǎn)移模式,對(duì)用戶的相對(duì)穩(wěn)定的情緒模式或個(gè)性等進(jìn)行量化表征。目前,個(gè)體異常檢測(cè)以及情感建模,在追求邏輯性,準(zhǔn)確性的同時(shí),往往忽略了對(duì)話者的情感個(gè)性。本文基于不同平臺(tái)的對(duì)話交互文本數(shù)據(jù),對(duì)多源數(shù)據(jù)(多平臺(tái)的對(duì)話文本數(shù)據(jù))的個(gè)體異常檢測(cè)以及情感建模做了綜述,包括其概念、提出背景、相關(guān)的方法、研究現(xiàn)狀以及一些不足,主要工作如下:(1)面向個(gè)體異常檢測(cè),提出了基于對(duì)話交互的情感轉(zhuǎn)移概率矩陣和張量網(wǎng)絡(luò)模型,實(shí)現(xiàn)了基于張量相似度的個(gè)體異常檢測(cè)模型。(2)面向個(gè)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(duì)話情感轉(zhuǎn)移概率分布對(duì)應(yīng)的樣本。實(shí)驗(yàn)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(gè)性化情緒生成,提出了GEN-MCMC算法,實(shí)現(xiàn)了對(duì)話中用戶情感交互的動(dòng)態(tài)轉(zhuǎn)移過(guò)程和用戶個(gè)性化情感轉(zhuǎn)移...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1文本與對(duì)話的區(qū)別場(chǎng)景情感分類極性標(biāo)注異常監(jiān)測(cè)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(fèi)很多時(shí)間在社交網(wǎng)絡(luò)上：分享日常生活、心情狀態(tài)、商品評(píng)論、用戶體驗(yàn)，電影影評(píng)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(lè)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(chǔ)。對(duì)于情緒和....

圖1.2對(duì)話異常檢測(cè)和個(gè)性情感建模框架

圖1.2對(duì)話異常檢測(cè)和個(gè)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(duì)話為起點(diǎn)，通過(guò)，統(tǒng)計(jì)情感轉(zhuǎn)移概率矩陣，構(gòu)造情感轉(zhuǎn)移張量�；趶埩�....

圖3.1用戶對(duì)話情感轉(zhuǎn)移模型

圖3.1用戶對(duì)話情感轉(zhuǎn)移模型Fig.3.1Emotionaltransfermodelofuserconversation所示，是一個(gè)簡(jiǎn)單的兩個(gè)用戶的對(duì)話情感轉(zhuǎn)移過(guò)程的抽和用戶B,用戶A的情感依次為,,,…, ,用戶,,....

圖3.2對(duì)話情感刺激模型和情感轉(zhuǎn)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(gè)定義域和一個(gè)值域的函數(shù)來(lái)完成，其中定義域是整數(shù)構(gòu)成的向量，可以看作是一個(gè)空間坐標(biāo)，值域是一個(gè)標(biāo)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(hào)：3923444