互聯(lián)網(wǎng)時代,網(wǎng)民越來越多地參與突發(fā)事件和社會話題的討論,網(wǎng)絡(luò)輿情對于政府和企業(yè)的影響越來越大,及時、準(zhǔn)確地了解網(wǎng)民情感至關(guān)重要。目前,關(guān)于網(wǎng)民情感分類的研究大多基于單一的文本數(shù)據(jù),但社交網(wǎng)絡(luò)平臺上圖文結(jié)合的現(xiàn)象非常普遍,圖片往往也蘊(yùn)含著網(wǎng)民的情感信息,是對網(wǎng)民情感判斷的重要補(bǔ)充,尤其是含有人臉的圖片。面部表情,作為情感表達(dá)的主要外在表現(xiàn),能夠直觀、可靠地揭示網(wǎng)民情感。因此,本文將網(wǎng)民面部表情與文本情感信息相結(jié)合,研究網(wǎng)民情感分類問題。面部動作編碼系統(tǒng)(FACS)基于一組稱為動作單元(AU)的面部肌肉運(yùn)動來描述所有可能的面部表情,解決了豐富的面部表情和低級可視特征間的語義鴻溝問題,為面部表情提供了更加精確的解釋。本文基于FACS和多模態(tài)融合技術(shù)構(gòu)建多模態(tài)情感分類模型,包括文本情感分類、面部圖片情感分類和多模態(tài)情感融合三個子模型。利用文本表示模型對文本進(jìn)行詞向量表示,通過雙向長短期記憶模型(Bi LSTM)提取文本情感分類特征,識別正面、中性、負(fù)面三類情感;基于AU區(qū)域分割面部圖片,降低特征維度,識別AU,判斷網(wǎng)民情感;基于通用的融合策略實(shí)現(xiàn)多模態(tài)情感融合,并結(jié)合輿情多模態(tài)數(shù)據(jù)進(jìn)行實(shí)證研究...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1論文總結(jié)

碩士學(xué)位論文基于FACS和多模態(tài)融合的網(wǎng)民情感分類研究31.3研究思路與組織結(jié)構(gòu)1.3.1研究思路本論文采用理論、實(shí)證研究相結(jié)合的方法，按照圖1.1所示的研究思路開展研究工作。首先，對網(wǎng)民文本情感分類、FACS面部表情識別以及多模態(tài)情感融合的現(xiàn)有研究進(jìn)行文獻(xiàn)綜述，為后續(xù)研究提供堅....

圖2.1FACS定義的AU示例及其解釋

碩士學(xué)位論文基于FACS和多模態(tài)融合的網(wǎng)民情感分類研究11圖2.1FACS定義的AU示例及其解釋與基本表情分類方法相比，F(xiàn)ACS是全面而客觀的。因為任何面部表情都是由一組面部肌肉的激活產(chǎn)生的，開心時，眉頭舒展，眉毛下彎，臉頰抬起，嘴角上揚(yáng)；悲傷時雙眉緊鎖，嘴角下垂；憤怒時雙眉倒豎....

圖2.2面部表情的AU標(biāo)注AU2AU1

碩士學(xué)位論文基于FACS和多模態(tài)融合的網(wǎng)民情感分類研究11圖2.1FACS定義的AU示例及其解釋與基本表情分類方法相比，F(xiàn)ACS是全面而客觀的。因為任何面部表情都是由一組面部肌肉的激活產(chǎn)生的，開心時，眉頭舒展，眉毛下彎，臉頰抬起，嘴角上揚(yáng)；悲傷時雙眉緊鎖，嘴角下垂；憤怒時雙眉倒豎....

圖3.1網(wǎng)民多模態(tài)文本數(shù)據(jù)集提取是別

碩士學(xué)位論文基于FACS和多模態(tài)融合的網(wǎng)民情感分類研究173網(wǎng)民多模態(tài)情感分類模型構(gòu)建為實(shí)現(xiàn)高效識別網(wǎng)絡(luò)輿情事件發(fā)生過程中網(wǎng)民的多模態(tài)情感，本文構(gòu)建了網(wǎng)民多模態(tài)情感分類模型，模型結(jié)構(gòu)如圖3.1所示，包括面部圖片情感分類模型、文本情感分類模型和多模態(tài)融合模型三個子模型。圖3.1網(wǎng)民....

本文編號：3909624