导读:本文包含了情感倾向挖掘论文开题报告文献综述及选题提纲参考文献，主要关键词:在线课程评论,情感倾向识别,话题挖掘技术
情感倾向挖掘论文文献综述
杨丽[1]（2018）在《在线课程评论的情感倾向识别与话题挖掘技术》一文中研究指出伴随信息技术的快速发展,为各行业领域注入新鲜的活力。以教育领域为例,较多互动学习平台逐渐被引入其中,特别其中包含的学习者评论数据,均可为教学质量改善、用户选课以及平台支持提供参考,然而现有的平台运行中并未充分利用这些反馈信息,需行之有效的完善策略。本次研究将对情感倾向识别与话题挖掘技术做简单介绍,在此基础上提出在线课程评论样本处理与特征提取方法、情感倾向识别算法以及在线课程评论话题挖掘技术等。(本文来源于《电子技术与软件工程》期刊2018年01期）
袁宜英[2]（2017）在《基于学生中文评论的用户情感倾向挖掘研究》一文中研究指出随着教育事业的不断改革,学生评论对提高教学质量、课程改革都有着很大帮助。在学生中文评论的用户情感倾向挖掘研究过程中,建立学生中文评论的用户情感倾向挖掘模型,通过数据采集和挖掘,对特征词情感极性和强度进行计算。提出学生中文评论的用户情感倾向挖掘方法,将结果用可视化形式表现出来,通过分析学生中文评论结果,帮助更好提高教学质量。(本文来源于《信息通信》期刊2017年12期）
李黎[3]（2017）在《基于文本挖掘的网络舆情情感倾向及演化分析》一文中研究指出随着移动互联网的快速发展,社交网络已经成为用户获取信息、表达意见、交流看法的重要平台。热点事件一旦发生后,网络用户可以通过文本、图片、小视频等方式表达自己对某个社会事件的态度、认知、意见和情感等主观性信息。信息经过转发、评论和点赞等方式进行传播,同时若用户在转发与评论信息时加入个人主观性情感,从而促进了事件的演化。近年来,网络群体性事件数量急剧上升,在网民中引起了巨大的舆论反响,当突发事件爆发时若不对不良情感进行控制和引导,舆论则很容易极端化,甚至危及社会安全与稳定。因此,有必要面向网络舆情进行用户情感倾向性分析研究,为政府有效掌握和监控网络舆情突发事件提供相应的理论支持和对策建议。本文以“罗一笑”网络热门话题事件为例,对舆情信息进行情感分析和舆情追踪。主要的研究工作包括:第一,利用网络爬虫工具采集事件相关微博数据,并进行整理分析。第二,以知网HowNet等词典为基础对情感词进行扩展,构建一个比较全面的情感分类词典,同时对各情感词所表达的情感极性和强度进行识别和标记。第叁,构建情感倾向分析模型,判断网络舆情的情感类型和统计情感词频,并对该事件中的用户情感进行挖掘与可视化分析。第四,运用实证分析研究,对该事件的舆情演化阶段进行划分,分别对各阶段用户情感演化特征及规律进行分析。为后续网络舆情情感引导对策的提出提供参考依据。实验表明,网络舆情从生成到最终消亡是一个完整的生命周期,通过对网络舆情演化进行科学的阶段划分,可以发现各阶段特征:(1)开始期微博发布数量少,网民对网络舆情事件的态度纷繁复杂,但是通过对文本中用户情感的挖掘、观点的提取有利于进一步跟踪事件的后续发展趋势;(2)爆发期微博发布数最多,用户参与度最高,影响范围和影响效果极大,网民对事件的态度、观点、情感等信息能够为网络舆情分析和监控提供足量的数据基础,同时,爆发期的情感倾向很大程度上定义了网络舆情事件的总体情感演化趋势,相关部门应对爆发期的网络舆情情感演化多加关注,并引导舆情朝着正确的方向发展;(3)发酵期网民对网络舆情事件的新资讯、新动态较为敏感,正面信息公开与舆情披露在此阶段能够起到良好的效果;(4)消解期和反思期用户参与程度较低,但仍需要对网络舆情事件进行跟踪报道,规避谣言,肃清网络环境,避免网络舆情事件的二次发酵。(本文来源于《湘潭大学》期刊2017-05-26）
刘其,马彪[4]（2015）在《基于网络用户评论的产品特征和情感倾向挖掘》一文中研究指出随着电子商务的迅猛发展,越来越多人开始选择网络购物,并会根据购物体验和使用情况对商品进行评论。本文主要基于网络用户评论对产品特征和情感倾向进行挖掘,从而指导商家的经营决策。本文首先介绍了Apriori产品特征挖掘算法,然后基于产品特征进行了情感倾向词挖掘,组成产品特征-情感倾向词对。最后,基于数据进行了试验验证和评价。(本文来源于《信息技术与信息化》期刊2015年12期）
刘智[5]（2014）在《课程评论的情感倾向识别与话题挖掘技术研究》一文中研究指出近年来,教育领域涌现出了很多开放式互动学习平台,它们提供了丰富的互动内容,其中包括学习者对课程的评论。这些评论数据记录了学习群体在学习上遇到的困难,以及对课程资源和教学者的意见,这些意见信息在协助用户选课、改善教学质量和平台支持等方而均具有较大的价值。但是,大量课程评论所形成的反馈信息目前并未被有效利用。如何利用学习者的反馈信息为教学决策提供支持已成为研究者们思考的现实问题。因此迫切需要一套有效的方法,能对大量课程评论数据进行挖掘,从而为分析者提供直观、精确和有效的信息。本文旨在研究面向课程评论的情感倾向识别与话题挖掘技术,目的是希望将该技术应用于学习行为分析以及在线学习资源评价等方面,实现信息技术与教育的深度融合。本文以课程评论文本中蕴含的情感信息作为切入点,针对真实网络环境中文本数据的特征高维性、情感识别中训练数据标注的高代价性、潜在话题提取的不确定性问题,提出了“数据采集——文本特征提取——半监督情感识别——话题情感挖掘”的技术路线。根据该技术路线,我们首先对评论样本进行降维,并利用提取的特征集频率值来表示实验样本；然后采用一种半监督学习方法对含有大量无标记样本的训练集进行机器学习,并对构建的情感识别模型进行有效性验证；最后利用情感识别模型获取话题挖掘中待测样本的情感标签,在此基础上对所有待测样本集进行话题情感建模,提取出隐含的话题—情感分布信息,并将该模型分别用于课程单元和学习者个体的关键话题情感信息挖掘。本文得到了国家社会科学基金“面向高校青年网络行为的情感识别关键技术研究”(14BGL131)与国家科技支撑计划项目“网络行为安全与青少年发展关键技术研究与示范应用”(2011BAK08B00)的资助。论文的主要研究工作及创新之处包含以下几方面：(1)针对评论数据中存在的特征空间高维、高冗余性问题,提出了一种基于多空间微粒群优化的特征提取方法对N-gram特征进行筛选。通过对训练样本空间进行等粒度的交叉划分,在每个样本子空间上构建多组微粒群,经过多次迭代寻优,形成多组具有差异性的特征提取方案,然后整合这些提取方案,形成了最终的特征评估结果。实验结果表明,与传统的特征提取算法相比,该方法提取的特征具有更强的情感区分能力,且在提取低维特征时能够保持系统的识别准确性。(2)针对情感识别中训练样本的手动标注代价太大的问题,提出了一种基于自适应多视图选择的半监督情感识别算法。该算法引入情感词表计算N-gram特征的情感强度,根据情感强度的分布信息来选择特征视图,并在视图迭代选择中自适应地构建特征维度重要度的分布以确定每个视图采样的维度,最后形成较少数量的视图,对无标记样本进行集成筛选。筛选过程中,每次选取出标注置信度最高的样本来更新训练集,经过若干次迭代以完成半监督训练过程。实验结果表明,与传统的多视图半监督学习算法相比,提出的算法选取的特征视图差异度较大,在无标记样本的标注中置信度更高,并在最终的情感识别中表现出更高的识别准确率。此外,将评论的情感识别结果应用于在线课程的支持率预测中,与用户星级评价相比,情感识别产生的预测结果更接近于实际的情感态度分布。(3)由于课程评论中存在对课程多方面的评价信息,针对这种局部话题的挖掘,本文提出了一种基于确定性情感信息的话题挖掘方法。该方法利用情感识别阶段训练的情感识别模型获取待测样本的情感标签信息,并建立“情感—文本”和“文本—话题—句子”的依赖关系以训练话题—情感模型。为了检测评论中的局部话题,该模型并没有直接对每篇评论建模,而是对评论中关键情感语句进行建模,并假设评论中每个语句中的单词均只涉及一种情感倾向和一种话题,充分考虑到不同语句单元间的话题关联性。实验结果表明,与传统的Author-Topic模型相比,提出的方法具有更强的泛化能力,提取出的话题间相似度更低,且话题内单词表示的聚合度更高。最后,将该模型应用于课程单元与学习者个体的话题情感挖掘中,采用情感一话题一单词的概率分布来表示每个课程单元或学习者个体的关键话题信息。(本文来源于《华中师范大学》期刊2014-12-01）
刘希良[6]（2014）在《酒店在线评论的情感倾向挖掘方法应用研究》一文中研究指出愈来愈多的在线消费用户开始浏览大量的网络评论来了解产品和服务的口碑,帮助自己做出可靠的决策。同时网络客户评论作为反馈机制也帮助了服务提供商改进其服务从而获得竞争力。但是,网络评论数量的飞速增长,使得信息内容越来越庞杂,造成客户评论中有用信息难以获取的后果,尤其使得客户难以在短时间内获得对于人物、事件、产品的观点和态度。因此,迫切需要一定的技术手段来使这一过程变得更为准确而便捷,此时“评论挖掘”应运而生并吸引了众多研究者进行学习和研究。评论挖掘主要涉及情感倾向分析、特征挖掘、主观内容识别等；其中情感倾向性分析目的是通过挖掘和分析文本中的立场、观点、情绪、好恶等主观信息,对文本中的主观态度进行判断,涉及人工智能、机器学习、数据挖掘、自然语言处理等多个领域。在英文评论研究领域,研究者已初步取得一些成果,而针对中文网络用户评论的研究却仍处于起步阶段。随着中国电子商务在世界领域内的崛起,亟需关于中文评论中有用信息的自动提取的先进技术。本文以中文网络中对形成旅游预订决策非常重要的酒店评论为研究对象展开探讨。酒店在线评论是非常具有代表性的,与其它在线评论不同的是其更受客户的依赖,对客户是否进行产品预订或购买起到决定性作用；它是顾客对酒店服务质量的真实感知,学术界已有利用其进行酒店服务质量研究的相关成果,但多采用内容分析法,不能对评论进行批量处理,成果应用大受限制。基于以上问题,本文采用机器学习的方法针对网络评论文本进行情感倾向性分析研究,旨在为中文领域内的客户和企业提供更为方便和科学的评论挖掘工具。本文采用开源爬虫框架从携程网客户评论获取语料并按六种不同的评价对象类别进行分类；重点详细介绍了语料库的预处理,包括中文分词和去无用词；然后选用随机森林降序排列特征提取方法和SVM标准分类器,结合本文提出的客户评论情感模型在R语言环境中实现了多种算法分类结果的进一步改善；实验结果表明该计算路径下得到的分类效果更好、准确率更高,不仅克服了文本分析中高维稀疏的数据问题及训练集中的噪声问题,并具有稳定的面向海量web文本切分的实用性能,实验结果还表明这种分类后的倾向性分析更能准确和细致地反映客户的立场和观点,帮助管理者快速地掌握客户对于酒店各个方面的喜爱或者厌恶程度,具有实际的意义。(本文来源于《广东工业大学》期刊2014-04-18）
陈忆金,曹树金,陈桂鸿[7]（2013）在《网络舆情意见挖掘:用户评论情感倾向分析研究》一文中研究指出结合网络舆情信息的实际情况,本文提出舆情意见句的分割、实现舆情意见句主题抽取、进行正负面情感倾向判断、以及能够定量对回帖进行意见情感倾向分析的方法,统计并产生可读性较强的报告。(本文来源于《图书情报知识》期刊2013年06期）
吴丽华,冯建平,曹均阔[8]（2012）在《中文网络评论的IT产品特征挖掘及情感倾向分析》一文中研究指出为探索中文客户评论中的IT产品特征及相关情感倾向的挖掘,帮助IT生产商和服务商提高改进产品和服务质量,提高竞争力。该文将采用情感分析技术,提出基于客户感知价值的产品特征挖掘算法,实现对于评论中IT产品特征及其情感倾向的语义分析、动态提取和综合信息挖掘;并根据用户的关注权重将产品特征和情感倾向进行排列。采用从互联网下载的真实IT产品评论语料中进行实验,初步验证了该方法的有效性。(本文来源于《计算机与数字工程》期刊2012年11期）
杨卉[9]（2011）在《Web文本观点挖掘及隐含情感倾向的研究》一文中研究指出所谓观点,是指一个人对某些事物的想法和理解,它是对某些事物的判断和评价。观点并非是事实,因为观点既没有得到验证,也没有得到证明和确认。如果一个观点后来能够得到证明和确认,那它就不再是一个观点,而变成一个事实。因此,从一个Web访问者的角度来看,将所有发布在Web上的信息看成是观点比看成是事实更加妥当。了解其他人的想法和对事物的判断已经成为决策制定过程中最重要的依据之一。如今,互联网使一切成为可能,我们能够在互联网上了解那些并不认识的人和专家的观点和态度。同时,越来越多的人也在互联网上分享自己的感受和经历。随着网络上观点资源的日益丰富,如个人博客,在线评论等,给我们提供了新的机会和挑战,如何使用信息技术去挖掘和理解其他人的观点便是观点挖掘。情感倾向分析是对Web上用户主动发布的内容(也称作用户生成内容)进行有效的分析和挖掘,识别出这些内容的情感趋势——赞同、反对、高兴或者悲伤,甚至进一步预测情感随时间的演化规律。通过对用户生成内容的情感倾向分析,使我们能够更好地了解用户的消费习惯,分析当下热点事件的舆情,帮助企业和政府作出合理正确的决策。然而,目前被广泛使用的信息检索技术,尤其是搜索引擎技术,是以关键字为基础的,无法实现基于情感和观点的检索。其原因有两方面:第一,情感或者观点无法用简单的关键字来表示和索引。第二,信息检索领域的排序策略也并不适合观点挖掘。目前,大多数的情感分析算法是需要靠我们用简单的术语来表达我们对产品和服务的情感。然而,文化因素,语言的细微差别和不同的上下文使其很难成为一个简单的赞成或是反对情感的书面文本字符串。因此,本文首先深入研究了情感倾向评估模型和Web文本特征抽取方法,提出了连续性情感评估模型和基于中文依赖语法的情感评估模型。在此基础上,为了挖掘Web文本的主题社区和情感趋势,本文将隐含情感倾向评估模型分别与Web文本社区挖掘算法和文本聚类方法K-Means算法相结合,提出了Web文本社区快速挖掘算法、基于多Agent的Web文本社区挖掘算法和基于隐含情感的Web文本聚类算法。本文主要工作如下:(1)在Web文本空间向量模型基础上,提出了一个基于中文依赖语法的主观字特征抽取方法。该方法能够在尽量避免噪音的情况下,依据中文依赖语法规则,抽取出文本表达中的主观字。实验分别在不同的特征向量空间和样本数量不平衡的情况下,对IG、MI、CE和我们的算法在KNN分类器下的表现进行了比较。(2)针对离散情感倾向评估方法无法准确描述情感变化趋势的问题,提出了两个中文连续情感倾向评估模型,分别是中文连续情感评估模型和基于中文依赖语法的情感评估模型。中文连续情感评估模型旨在提出一个全面、准确的中文情感倾向分析模型。本文的方法首先识别出句子中出现的情感字,通过上下文的句法结构来判别出每个句子的情感倾向,然后通过整合所有句子的情感倾向来预测整篇文档的情感倾向。实验证明,该方法可以准确地描绘出一定时间段内的Web文本情感的变化趋势。基于中文依赖语法的情感评估模型,通过中文依赖语法规则来判别主观字的先验极性和修饰极性的方法。实验证明,在真实Web数据上,该方法比传统的SVM和NB算法的情感分类结果准确性更高。(3)研究了Web文本社区挖掘算法。基于不同的Web社区结构,即静态社区和动态社区,分别提出了基于隐含情感的Web文本社区快速挖掘算法和基于多Agent的Web文本社区挖掘算法。基于多Agent的Web文本社区挖掘算法是一个动态社区挖掘算法,该算法可以在未知Web文本社区结构的情况下,有效地挖掘相同主题和相同情感的Web文本社区。以上两种算法的共同特点是在Web文本社区挖掘算法中,考虑了隐含情感因素,实验结果表明,这两种算法不仅能够提高Web文本挖掘算法的精度值,同时可以提高算法的回召值。(4)改进了经典的文本聚类方法K-Means算法,提出了一个基于隐含情感的Web文本聚类算法,算法中给出了一个基于隐含情感和文本特征的相似性比较算法,同时算法基于一个新的分级机制的原始中心选择算法。因为一个好的原始中心不仅仅能够代表文本聚类的中心,同时可以更好的区分该中心与其他中心。通过实验验证,在不同类型的在线文本集上,K-Means算法、Bisecting K-Means算法、UPGMA算法和本文提出的HSK-Means算法想比较,具有原始中心选择的算法(如bisecting K-Means和HSK-Means算法)的表现明显优于不具有原始中心选择的文本聚类算法。综上所述,本文深入研究了Web文本观点挖掘和中文文本隐含情感倾向分析问题,主要考虑了如何更加准确地评估文本中隐含情感倾向,即连续情感倾向评估问题;同时,分别对静态和动态的Web文本社区挖掘给出的两个不同算法,最后给出了一个基于隐含情感和原始中心选择的Web文本聚类算法。将隐含情感分析和社区挖掘相结合,不仅仅可以更加准确的、全面的了解观点持有者表达的真正想法,同时可以帮助需要使用和借鉴这些观点的人作出正确的决策。本文的算法研究和实现方法都非常新颖,且具有较高理论价值和实际应用价值。本文对观点挖掘和情感分析领域进一步研究具有重要意义。(本文来源于《吉林大学》期刊2011-12-01）
李实,叶强,李一军,罗嗣卿[10]（2010）在《挖掘中文网络客户评论的产品特征及情感倾向》一文中研究指出为探索中文客户评论中的产品特征及相关情感倾向的挖掘,以帮助生产商和服务商改进产品、改善服务,提高竞争力,提出采用基于Apriori算法的非监督型产品特征挖掘算法,结合监督型情感分析技术,实现对于评论中产品特征及其情感倾向的综合信息挖掘;并根据用户的关注权重将产品特征和情感倾向进行排列。采用几种从互联网下载的真实产品评论语料,对该方法进行了数据实验,实验结果初步验证了该方法的有效性。(本文来源于《计算机应用研究》期刊2010年08期）
情感倾向挖掘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着教育事业的不断改革,学生评论对提高教学质量、课程改革都有着很大帮助。在学生中文评论的用户情感倾向挖掘研究过程中,建立学生中文评论的用户情感倾向挖掘模型,通过数据采集和挖掘,对特征词情感极性和强度进行计算。提出学生中文评论的用户情感倾向挖掘方法,将结果用可视化形式表现出来,通过分析学生中文评论结果,帮助更好提高教学质量。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
情感倾向挖掘论文参考文献
[1].杨丽.在线课程评论的情感倾向识别与话题挖掘技术[J].电子技术与软件工程.2018
[2].袁宜英.基于学生中文评论的用户情感倾向挖掘研究[J].信息通信.2017
[3].李黎.基于文本挖掘的网络舆情情感倾向及演化分析[D].湘潭大学.2017
[4].刘其,马彪.基于网络用户评论的产品特征和情感倾向挖掘[J].信息技术与信息化.2015
[5].刘智.课程评论的情感倾向识别与话题挖掘技术研究[D].华中师范大学.2014
[6].刘希良.酒店在线评论的情感倾向挖掘方法应用研究[D].广东工业大学.2014
[7].陈忆金,曹树金,陈桂鸿.网络舆情意见挖掘:用户评论情感倾向分析研究[J].图书情报知识.2013
[8].吴丽华,冯建平,曹均阔.中文网络评论的IT产品特征挖掘及情感倾向分析[J].计算机与数字工程.2012
[9].杨卉.Web文本观点挖掘及隐含情感倾向的研究[D].吉林大学.2011
[10].李实,叶强,李一军,罗嗣卿.挖掘中文网络客户评论的产品特征及情感倾向[J].计算机应用研究.2010