多特征融合的图文微博情感分析

被引：7

作者：

凌海彬 ^{[1
]}

缪裕青 ^{[1
,2
]}

张万桢 ^{[3
]}

周明 ^{[4
]}

武继刚 ^{[5
]}

机构：

[1] 桂林电子科技大学计算机与信息安全学院

[2] 桂林电子科技大学图像图形智能处理重点实验室

[3] 桂林航天工业学院实践教学部

[4] 桂林海威科技股份有限公司

[5] 广东工业大学计算机科学与技术学院

来源：

计算机应用研究 | 2020年 / 37卷 / 07期

关键词：

情感分析; 微博; 多特征融合; 神经网络; 图文融合;

D O I：

10.19734/j.issn.1001-3695.2018.12.0929

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

摘要：

现有的微博情感分析方法已经注意到了微博文本与图片之间的互补作用,但较少注意用户情感表达的差异和微博内容中除文字之外的特征,为此提出一种多特征融合的图文微博情感分析方法。首先构建文本情感分类模型,将对情感具有很好指示作用的内容特征和用户特征与微博句子进行融合,然后构造了基于参数迁移和微调的图片情感分类模型。最后设计特征层和决策层融合的方法,将文本和图片情感分类模型进行融合。实验结果表明,内容特征和用户特征有效增强了模型捕捉情感语义的能力,并在多项性能指标上都取得了很好的效果,构建的图文情感分类模型和融合方法可获得更好的性能。

引用

页码：1935 / 1939+1951 +1951

页数：6

共 30 条

[1]

Incorporating Phrase-level Sentiment Analysis on Textual Reviews for Personalized Recommendation. Zhang Y,Zhang M,Liu Y,Ma S. The 8th International Conference on Web Search and Data Mining (WSDM 2015) . 2015

[2]

Image Net. Stanford Vison Lab. http://www. image-net. org . 2019

[3]

Deep learning and convolutional neural networks:RSIP vision blogs. RSIP. https://www. rsipvision. com/exploring-deep-learning . 2017

[4]

Image Net. Stanford Vison Lab. http://www. image-net. org . 2019

[5]

Very deep convolutional networks for large-scale image recognition. Simonyan K,Zisserman A. https://arxiv.org/abs/1409.1556 . 2015

[6]

[7]

Robust image sentiment analysis using progressively trained and domain transferred deep networks. You Quanzeng,Luo Jiebo,Jin Hailin,et al. Proc of the 29th AAAI Conference on Artificial Intelligence . 2015

[8] 基于多特征融合的微博主题情感挖掘 [J].

黄发良 ;

冯时 ;

王大玲 ;

于戈 .

计算机学报, 2017, 40 (04) :872-888

[9]

Very deep convolutional networks for large-scale image recognition. Simonyan K,Zisserman A. https://arxiv.org/abs/1409.1556 . 2015

[10]

Robust visual-textual sentiment analysis:when attention meets tree-structured recursive neural networks. You Quanzeng,Cao Liangliang,Jin Hailin,et al. Proc of the 24th ACM International Conference on Multimedia . 2016

← 1 2 3 →