【目的】为更精确地识别网民态度,监测网络舆情,提出一种基于SVM多特征融合的情感5级分类方法。【方法】从词性特征、情感特征、句式特征、语义特征4个方面,提取动词、名词、情感词、否定词等14个特征,运用SVM方法对微博情感进行5级分类。【结果】实验结果表明,该方法对情感5级分类的准确率为82.40%,召回率为81.91%,F值为82.10%。【局限】训练语料的规模有待进一步提高。【结论】该方法在情感5级分类方面取得较好的效果。

提出一种具有特征级别的领域特征集合的情感资源挖掘方法,将基于HowNet词典的分类法构建的情感特征与基于机器学习的特征分类方法中的无内容特征以及领域特征相融合,并将该集合放入支持向量机中进行情感分类实验,实验结果表明,使用抽取模式以及多特征融合的分类方法,可增强中文情感分类效果,验证两种分类方法综合研究的正确性与有效性,弥补目前特征级别的中文情感分类研究的不足。

[目的/意义]微博是突发事件网络舆情传播的重要媒介。面向突发事件的微博主题和情感挖掘对掌握突发事件的网络舆情、识别与预测潜在问题及风险等方面具有重要的实践意义。尝试提出一种融合主题与情感特征的突发事件微博舆情演化分析方法。[方法/过程]以寨卡事件为例,通过划分微博舆情演化的生命周期,基于word2vec技术分别提取该事件生命周期各阶段的微博主题,采用基于词典的情感分析方法,引入情感词、表情符号等多情绪源,对不同主题下的评论情感做细粒度划分,并计算情感强度,最终实现微博主题与情感的协同分析。[结果/结论]所

[目的/意义]近些年来,随着互联网的快速发展,微博逐渐成为人们发表言论的一个社交网络平台。通过对大量评论信息进行情感分析,对政府进行舆情治理、企业市场决策和消费行为分析具有十分重要的意义。[方法/过程]文章针对微博评论表达的特点,提出一种基于主题—情感挖掘模型的无监督情感分类方法,通过将语义角色标注、TF-IDF和K-means聚类方法相结合,构建情感单元词表和主题—情感匹配词表,同时挖掘出评论中主题和情感的分布与联系,并利用点互信息(Pointwise Mutual Information,PMI)和情感词典的方法计算主题词的情感极性值,基于此进行情感分类。[结果/结论]经实验证明,该方法同时考虑了评论中的主题分布与情感极性信息,解决了主题模型中常见的数据稀疏问题,提高了情感分类的效率和准确性,在F值上比S-LDA模型提高了14.24%。

【目的】科研合作关系是一种重要的社会网络。为了促进科研合作,提高科研生产率,对金融领域的科研合作推荐模型进行研究。【方法】建立金融领域个人、机构和区域三个层面的科研合作网络,提出一种新的融合基于邻居节点和基于路径的网络特征的科研合作推荐模型,并从个人、机构和区域三个层面进行实证检验。【结果】通过对2000年到2014年刊载的68 905篇金融领域的文章进行分析并构建科研合作网络,在个人、机构和区域三个层面上,基于特征融合的链接预测方法的AUC值分别为84.25%、87.34%和91.84%,均高于基于邻居

准确地预测社交网络中的信息扩散节点可以对谣言、计算机病毒等不良信息的传播以及信息泄露做到早检测、早溯源和早抑制。为了提高微观扩散预测精度，该文提出了一个基于多特征融合和深度学习的微观信息扩散预测通用框架(MFFDLP)。为了获取信息扩散的时序特征，基于信息扩散序列和社交网络图，采用门控循环神经网络提取局部时序特征和全局时序特征，并融合形成信息扩散序列表征；为了获取用户交互行为和兴趣爱好的动态表示，根据历史信息构建信息扩散图，使用级联图注意力网络提取信息扩散子图中节点特征和边特征，并通过嵌入查找，融合形成当前信息扩散序列中相应节点的动态扩散表征；使用双多头注意力机制，进一步捕获静态和动态扩散特征的上下文信息，实现了高精度微观扩散预测。在3个公共数据集上的对比实验结果表明：所提方法优于对比方法，在微观扩散预测的精度上最高提高了9.98%。

为探究不同认知负荷下的人脑活动，设计了三种实验范式（N-Back、心算和Sternberg），采集被试者在三类认知负荷下的脑电图（electroencephalogram， EEG）信号，并对EEG信号进行预处理、特征提取和特征分类。模型设计中，通过相位锁相值（phase locking value， PLV）计算了EEG的功能连接特征，将PLV功能连接矩阵作为脑功能网络的边；以微分熵特征（differential entropy， DE）作为网络的节点信息，实现了EEG频域与空间域特征的融合，利用图注意力神经网络（graph attention networks， GAT）完成了跨任务的认知负荷分类。实验结果表明，提出的模型在跨任务三分类认知负荷识别中取得了57.12%的平均分类准确率；其中，被试依赖三分类平均准确率可达74.47%。同时，基于复杂网络理论，从全局和局部两个层次分析了不同负荷状态下大脑网络结构的变化。结果表明：一方面，随着认知负荷程度增加，theta与alpha频段的全局聚类系数逐渐减小，delta与theta频段的全局效率则有所提高；另一方面，theta频段下的额叶、顶叶与颞叶脑区电极的局部效率呈上升趋势。网络全局与局部的度量变化表明随着人脑认知负荷程度的提高，功能脑网络的拓扑结构在发生改变。

花卉种类识别作为植物自动分类识别的重要分支,有着很高的研究和应用价值。针对当前花卉特征描述存在的局限和花卉识别准确率较低的实际情况,以花卉图像为研究对象,首先对复杂背景图像采用基于显著性检测的Grab Cut分割算法进行预处理,得到单一背景图像;然后在提取花卉图像花冠(所有花瓣)颜色和形状特征的基础上,创新性地提取花蕊区域的颜色和形状所包含的特征信息,并将提取到的18个特征融合成单一特征向量。以支持向量机(SVM)算法为基础构建分类器,通过实验确定核函数与最佳参数;对360幅自建花卉样本库(24个种类,每

传统语音情感识别主要基于单一情感数据库进行训练与测试.而实际情况中,训练语句和测试语句往往来源于不同的数据库,识别率较低.为此,该文提出一种基于子空间学习和特征选择融合的语音情感识别方法.通过采用回归方法来学习特征的子空间表示;同时,引入l_(2,1)-范数用于特征的选择和最大均值差异(maximum mean discrepan-cy,MMD)来减少不同情感数据库间的特征差异,进行联合优化求解从而提取较为鲁棒的情感特征表示.在EMO-DB和eNTERFACE这2个公开情感数据库上进行实验评价,结果表明:

[目的 /意义]微博已成为大众情感表达的重要平台,微博的情感分析在舆情分析、用户体验、商机挖掘等方面有着重要的作用。[方法 /过程]提出的情感倾向分类算法WE_SDAE使用单词嵌入的方式将微博表示成一个低维稠密向量,然后通过添加正则项和加噪处理的方式将基本的自动编码器算法优化成深层噪音自动编码器,并在顶层添加分类器,实现情感倾向分类。考虑到微博用词灵活,还从单字和词语两个粒度训练模型。[结果/结论]实验结果表明,基于单字粒度的模型表现优于基于词语粒度的模型。此外,对比实验显示WE_SDAE算法优于传统的SVM、Naive-Bayes、Xg Boost等相关算法;单词嵌入的方式优于传统的向量空间模型表示方法,能在微博情感分析中取得较好的效果。

本文基于卷积神经网络构建了微博舆情情感分类模型,通过爬虫方式获取微博话题数据,利用word2vec训练词向量,采用NLPIR/ICTCLAS2016工具进行分词,进而通过Matlab编程实现模型训练和测试。结果表明,模型能够实现有效的微博舆情情感分类,相较传统机器学习具有一定的优越性。

［目的 ／意义］微博平台产品评论的特征级情感分析问题具有其特殊性，为了对特征分类，解决隐式特征的识别问题，并分析特征情感，提出一种基于特征本体的产品评论情感分析方法。［方法 ／过程］该方法利用构建的特征本体对特征词分类，通过计算情感词与特征的搭配权重来识别隐式特征，并构建领域情感词典和微博表情符号词典，计算微博产品评论的特征情感极性和强度。［结果 ／结论］构建方法模型，通过采集微博评论数据设计实验，验证了提出方法的有效性。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

[目的/意义]文章跟据影响力定义融入信息受众情感特征指标构建了高校新媒体影响力评价指标体系，扩展了传统影响力评价体系，突出了以信息受众的情感与行为表现作为高校新媒体影响力的核心评价目标。[方法/过程]以118个高校官方微博为例，对高校微博影响力评价的情感表征指标和行为表征指标进行处理与量化，并结合主成分分析与因子分析进行评价实证。[结果/结论]情感表征与行为表征得分之间具有明显差异，情感指标为高校新媒体影响力评价提供了更细粒度的参考单元。因子得分指出高校微博影响力得分整体差距较大，大部分集中在低数值区域；采用层次聚类法以情感特征和行为特征进行聚类可以将高校微博分为4种类型。

文章通过分析传统关键词提取方法的特点和存在的问题,提出基于多特征融合的中文文本关键词提取方法。该方法通过融合中文文本词语的频率、关联度、词性以及位置多种特征,有效避免了传统关键词提取方法产生的偏差。实验结果表明,该方法在不同测试集上与传统方法相比关键词提取的平均召回率均得到明显提升。