前言：中文期刊網(wǎng)精心挑選了神經(jīng)網(wǎng)絡(luò)情感分析范文供你參考和學(xué)習(xí)，希望我們的參考范文能激發(fā)你的文章創(chuàng)作靈感，歡迎閱讀。

神經(jīng)網(wǎng)絡(luò)情感分析范文1

關(guān)鍵詞：主成分分析；混合蛙跳算法；BP神經(jīng)網(wǎng)絡(luò)；帕金森氏病；分類(lèi)

中圖分類(lèi)號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）04-0861-05

Based-on PCA of SFLABP Neural Network Model in Application of Parkinson Disease’S Classification

ZHANG Zhi-hao，TANG De-yu

（College of Medical Information Engineering，Guangdong Pharmaceutical University，ZhongShan 528458，China）

Abstract：For the shortcomings of BP neural network which is low learning efficiency and is easy to trap into local optimum， according to these problems， a new BP neural network model optimized by Shuffle Frog Leaping Algorithm based on Principal Component Analysis is proposed. Using Principle Component Analysis to extract the features of high dimensional data， the input variables； the bias of BP neural network are optimized by Shuffle Frog Leaping Algorithm and then build the classification model of Parkinson's disease based on SFLABP neural network. At last， taking the data of Parkinson from UCI for example， the experiment result demonstrates the new model is better than the traditional BP neural network.

Key words：principal component analysis （PCA）； shuffle frog leaping algorithm （SFLA）； BP neural network； Parkinson； classification

隨著智能計(jì)算的不斷發(fā)展，人工神經(jīng)網(wǎng)絡(luò)由于其自身的適應(yīng)能力和學(xué)習(xí)能力，在醫(yī)療診斷上的應(yīng)用越來(lái)越廣泛，其中BP神經(jīng)網(wǎng)絡(luò)[1]是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的一種神經(jīng)網(wǎng)絡(luò)，但由于其具有學(xué)習(xí)效率低、參數(shù)選擇敏感、網(wǎng)絡(luò)結(jié)構(gòu)難確定、易陷入局部收斂等缺點(diǎn)，給實(shí)際應(yīng)用帶來(lái)了一定的困難，尤其是當(dāng)網(wǎng)絡(luò)輸入變量過(guò)多時(shí)，網(wǎng)絡(luò)結(jié)構(gòu)更復(fù)雜，網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)過(guò)重，學(xué)習(xí)效率驟降，將高維數(shù)據(jù)在不影響較多期望的前提下降維，網(wǎng)絡(luò)的學(xué)習(xí)效率才會(huì)有所提高，BP網(wǎng)絡(luò)的實(shí)際應(yīng)用也將更有價(jià)值。

混合蛙跳算法，是2003年由Eusuff 和Lansay提出的一種基于啟發(fā)式搜索的全局優(yōu)化群體智能算法，它具有全局搜索能力強(qiáng)、參數(shù)少、原理簡(jiǎn)單易實(shí)現(xiàn)等特點(diǎn)，將混合蛙跳算法與BP網(wǎng)絡(luò)結(jié)合，利用SFLA的全局搜索優(yōu)化BP網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，可以有效解決BP網(wǎng)絡(luò)易陷入局部最優(yōu)等問(wèn)題。

為了解決BP網(wǎng)絡(luò)中的缺陷，該文利用了主成分分析法降維與SFLA 全局搜索能力強(qiáng)等優(yōu)點(diǎn)，網(wǎng)絡(luò)輸入使用PCA降維，網(wǎng)絡(luò)參數(shù)使用SFLA優(yōu)化，提高了BP網(wǎng)絡(luò)的學(xué)習(xí)效率，實(shí)驗(yàn)證明，新模型更優(yōu)。

1 主成分分析

主成分分析是由霍特林于1933年第一個(gè)提出的，主要是根據(jù)降維的思想，在損失較少信息期望的前提下，將多個(gè)相互關(guān)聯(lián)的指標(biāo)轉(zhuǎn)化為幾個(gè)綜合指標(biāo)的多元統(tǒng)計(jì)分析方法。其主要計(jì)算步驟為：

設(shè)有m個(gè)指標(biāo)，n個(gè)對(duì)象的各項(xiàng)指標(biāo)組成了原始數(shù)據(jù)矩陣

1）對(duì)進(jìn)行標(biāo)準(zhǔn)化處理，使各項(xiàng)指標(biāo)的均值為0，方差為1，具有可比性，即令：

（1）

2）計(jì)算各指標(biāo)的相關(guān)系數(shù)矩陣R與R的特征值

（2）

3）確定主成分的個(gè)數(shù)

計(jì)算各個(gè)主成分的方差貢獻(xiàn)率與累計(jì)貢獻(xiàn)率，一般取累計(jì)貢獻(xiàn)率達(dá)的特征值所對(duì)應(yīng)的第一、第二、…，第p個(gè)主成分。

（3）

4）計(jì)算主成分的因子載荷矩陣I

其中為λ的特征向量。 （4）

5）根據(jù)因子載荷矩陣，確定各主成分表達(dá)式，得到各主成分得分。

2 混合蛙跳算法

混合蛙跳算法[2]，在模擬青蛙群體尋找食物時(shí)，將蛙群分為幾個(gè)子種群，每個(gè)子種群以及每只青蛙覓食的思想相互傳遞相互影響，將全局信息混合交換與局部信息深度搜索相結(jié)合，局部深度搜索能夠快速有效地在一個(gè)特定區(qū)域內(nèi)尋優(yōu)，加快尋優(yōu)速度；而全局混合交換可以避免個(gè)體陷入局部最優(yōu)，使得算法能夠跳出局部最優(yōu)，不斷靠近全局最優(yōu)。算法的基本流程[3]如下：

1）初始化種群X。確定青蛙的數(shù)量F、種群以及每個(gè)種群青蛙的個(gè)數(shù)m，n，與青蛙最大步長(zhǎng)。

2）隨機(jī)產(chǎn)生初始青蛙，計(jì)算各個(gè)蛙的個(gè)體適應(yīng)度值，并按個(gè)體適應(yīng)度值的大小進(jìn)行降序排列，并記錄最優(yōu)解。

3）將青蛙進(jìn)行分組，將青蛙分成m個(gè)子種群，每個(gè)子種群有n只青蛙，分組規(guī)則如下：

（5）

即將第1只青蛙放入第1個(gè)子種群，第2只青蛙放入第2個(gè)子種群，…，第m只青蛙放入第m個(gè)子種群，第m+1只青蛙放入第1個(gè)子種群，第m+2只青蛙放入第2個(gè)子種群，依此類(lèi)推，直至全部青蛙分組完畢。

4）對(duì)每一個(gè)分組進(jìn)行模因進(jìn)化，即局部搜索最優(yōu)。進(jìn)化過(guò)程如下：

a）找出該分組中個(gè)體適度值最差與最優(yōu)的個(gè)體

b）對(duì)個(gè)體適度值最差的個(gè)體進(jìn)行更新，更新策略為：

i.蛙跳步長(zhǎng)更新： （6）

ii.位置更新： （7）

如果優(yōu)于，則=，否則，再重復(fù)i，ii步驟，若此時(shí)的還比差，則隨機(jī)產(chǎn)生一只新的青蛙代替

2）重新將進(jìn)化完的各個(gè)分組進(jìn)行混洗，對(duì)青蛙進(jìn)行重新排序和分組，得到最優(yōu)解。

3）重復(fù)計(jì)算（3）（4）（5）直至滿(mǎn)足迭代條件為止。

3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[1]是一種單向傳播的多層前饋網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。其拓?fù)浣Y(jié)構(gòu)如圖所示：

由圖1可知，BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，層與層之間多采用全連接的方式，可以被看成是一個(gè)從輸入到輸出的高度非線(xiàn)性映射，即：

以典型的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為例，轉(zhuǎn)移函數(shù)采用Sigmoid函數(shù)，， （8）

則：

其中為權(quán)值，為閾值，為隱含層輸出，為輸入層節(jié)點(diǎn)數(shù)，為輸出層節(jié)點(diǎn)數(shù)，

4 PCA-SFLA-BP神經(jīng)網(wǎng)絡(luò)模型

標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)算法學(xué)習(xí)效率低，收斂速度慢。當(dāng)輸入層的節(jié)點(diǎn)數(shù)較多時(shí)，也易陷入“維數(shù)災(zāi)”的問(wèn)題，同樣會(huì)影響其收斂的速度。

主成分分析[4]基于降維的思想，可以減少BP網(wǎng)絡(luò)陷入“維數(shù)災(zāi)”的問(wèn)題；混合蛙跳算法是一種群體智能優(yōu)化算法，通過(guò)個(gè)體間的協(xié)作與競(jìng)爭(zhēng)來(lái)實(shí)現(xiàn)在多維空間中對(duì)最優(yōu)解的搜索。

因此，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，我們使用PCA對(duì)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)進(jìn)行降維，使用混合蛙跳算法改進(jìn)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，從而提高網(wǎng)絡(luò)的學(xué)習(xí)效率[5][6]。其中適應(yīng)度函數(shù)定義如下：

式中，N為網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)，為網(wǎng)絡(luò)預(yù)測(cè)輸出值，為樣本實(shí)際輸出值，q為用于網(wǎng)絡(luò)訓(xùn)練時(shí)輸入輸出的數(shù)據(jù)維數(shù)，s為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)。

整個(gè)模型流程圖如圖2所示：

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模型的有效性，選用UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)中的Parkinson數(shù)據(jù)集作為測(cè)試，該數(shù)據(jù)集有195個(gè)樣本，由Little于2007年所建，主要針對(duì)31位病人，用生物醫(yī)學(xué)儀器進(jìn)行約6次的發(fā)音測(cè)試后記錄而成，共有23個(gè)字段，其中有22個(gè)字段為測(cè)試的屬性，如：MDVP、FO、Jitter、Shimmer、RAP、PPQ、HNR等一些聲學(xué)參數(shù)，1個(gè)類(lèi)標(biāo)號(hào)（status），其值為0和1，1表示為確定病例。其中1有147例 ，0有48例。

上述數(shù)據(jù)集兩類(lèi)中分別隨機(jī)選取100例和36例作為網(wǎng)絡(luò)訓(xùn)練，其余的作為網(wǎng)絡(luò)測(cè)試。并對(duì)網(wǎng)絡(luò)輸出重新定義，即將類(lèi)標(biāo)號(hào)進(jìn)行了處理，其中[0 1]表示0，[1 0]表示1。

隱含層節(jié)點(diǎn)數(shù)l采用公式：其中n為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a取1-10。

（11）

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)n-l-m，且本文中混合蛙跳算法的各參數(shù)分別為：青蛙規(guī)模F=20，子種群數(shù)量（模因組組數(shù)）m=5，每組中蛙的數(shù)量n=4，模因進(jìn)化迭代次數(shù)Ne=10，全局迭代次數(shù)max gen=10，相當(dāng)于總迭代次數(shù)為在這種平臺(tái)上得到了本次實(shí)驗(yàn)結(jié)果。

5.1利用主成分分析選取網(wǎng)絡(luò)的輸入變量

將UCI中Parkinson[8]數(shù)據(jù)集的22個(gè)屬性作為原始數(shù)據(jù)，按照前面主成分分析的步驟對(duì)原始數(shù)據(jù)進(jìn)行主成分分析。得到特征值碎石圖見(jiàn)圖3，累計(jì)方差貢獻(xiàn)率見(jiàn)表1。由表1可確定前4個(gè)特征值的累計(jì)方差貢獻(xiàn)率已大于80%，所以選取4個(gè)主成分，同時(shí)也可得出各主成分的表達(dá)式與主成分得分，將主成分得分作為網(wǎng)絡(luò)的輸入變量。其中之一的表達(dá)式如下：

5.2構(gòu)建SFLA-BP的帕金森病分類(lèi)模型

利用主成分得分作為網(wǎng)絡(luò)的輸入，即輸入層為4，分別以隱含層為4，6，8，10，輸出層為2構(gòu)造SFLA-BP神經(jīng)網(wǎng)絡(luò)的Parkinson分類(lèi)模型，隱實(shí)驗(yàn)結(jié)果以隨機(jī)某10次結(jié)果的平均值，其中得到某次實(shí)驗(yàn)（隱含層節(jié)點(diǎn)數(shù)為10）的均方誤差圖見(jiàn)圖4，結(jié)果見(jiàn)表2。

由圖4可得，應(yīng)用了主成分分析法，減少網(wǎng)絡(luò)的輸入變量個(gè)數(shù)，網(wǎng)絡(luò)的結(jié)構(gòu)得到了簡(jiǎn)化，以及應(yīng)用了SFLA優(yōu)化BP的網(wǎng)絡(luò)參數(shù)，學(xué)習(xí)率得到提高，網(wǎng)絡(luò)訓(xùn)練的次數(shù)減少，由表2可知：網(wǎng)絡(luò)的預(yù)測(cè)效果比較精確，模型有效可用。

5.3 預(yù)測(cè)結(jié)果比較

為了更好地對(duì)新模型與傳統(tǒng)BP模型進(jìn)行比較，該文多做了以下兩個(gè)實(shí)驗(yàn)，對(duì)未經(jīng)過(guò)主成分分析的數(shù)據(jù)，建立三層BP神經(jīng)網(wǎng)絡(luò)模型與SFLA-BP模型，實(shí)驗(yàn)結(jié)果仍然以隨機(jī)某10次結(jié)果的平均值，其中得到某兩次實(shí)驗(yàn)的均方誤差圖見(jiàn)圖5，6，結(jié)果見(jiàn)表3，4。

可見(jiàn)：對(duì)于Parkinson數(shù)據(jù)集，PCASFLABP分類(lèi)模型訓(xùn)練速率與準(zhǔn)確率都優(yōu)于SFLABP網(wǎng)絡(luò)，更優(yōu)于傳統(tǒng)的BP網(wǎng)絡(luò)，能較好地改善BP網(wǎng)絡(luò)。

6 結(jié)束語(yǔ)

通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)的研究，該文提出的模型明顯優(yōu)于單純的BP網(wǎng)絡(luò)。該模型通過(guò)主成分分析對(duì)數(shù)據(jù)集進(jìn)行降維，SFLA全局優(yōu)化網(wǎng)絡(luò)參數(shù)，較好地解決了BP神經(jīng)網(wǎng)絡(luò)參數(shù)復(fù)雜、易早熟的問(wèn)題，得到了較好地分類(lèi)效果，將對(duì)Parkinson診斷方面有較大的幫助。

參考文獻(xiàn)：

[1] Haykin S.神經(jīng)網(wǎng)絡(luò)原理[M].北京：機(jī)械工業(yè)出版社，2004.

[2] Eusuff M M， Lansey K E. Optimization of water distribution network begin using shuffled frog leaping algorithm[J].Journal of Water Resources Planning and Management，2003，129（3）：210-225.

[3] 王曉笛，何燦.混洗蛙跳算法的研究[J] 電腦知識(shí)與技術(shù)，2011，7（19）：4661-4664.

[4] 許新征，丁世飛，楊勝?gòu)?qiáng)，等.煤與瓦斯突出的PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（28）：219-222.

[5] 智晶，張冬梅，姜鵬飛.基于主成分的遺傳神經(jīng)網(wǎng)絡(luò)股票指數(shù)預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用，2009，45（26）：210-212.

[6] 余華，黃程韋，張瀟丹，等.混合蛙跳算法神經(jīng)網(wǎng)絡(luò)及其在語(yǔ)音情感識(shí)別中的應(yīng)用[J].南京理工大學(xué)學(xué)報(bào)，2011，5（35）：659-663.

神經(jīng)網(wǎng)絡(luò)情感分析范文2

關(guān)鍵詞：圖像特征提取；人機(jī)交互系統(tǒng)；BP神經(jīng)網(wǎng)絡(luò)；Canny邊緣檢測(cè)算法

中圖分類(lèi)號(hào)：TP391

在感性消費(fèi)的社會(huì)里，情感與體驗(yàn)等無(wú)形的因素逐漸變成衡量人生活品質(zhì)的關(guān)鍵要素，在這樣的背景下，公寓作為人的生理心理雙重港灣，更是不得不考慮住戶(hù)的感性需求。如何能夠?qū)崿F(xiàn)用戶(hù)只通過(guò)表達(dá)自己的情感就找到符合自己需求的公寓圖片呢？本文設(shè)計(jì)了一個(gè)自選公寓人機(jī)系統(tǒng)，使得用戶(hù)能方便快捷地獲得符合自己情感需求的公寓圖片，并進(jìn)行選擇。

1 感性空間

感性空間的建立主要有下面幾個(gè)步驟：一是搜集挑選用戶(hù)對(duì)于公寓圖片的心理感覺(jué)形容詞對(duì)；二是挑選用戶(hù)進(jìn)行問(wèn)卷調(diào)查，利用感性工學(xué)語(yǔ)義量化（SD）方法，建立用戶(hù)情感認(rèn)知空間；三是對(duì)多維情感認(rèn)知空間進(jìn)行多元分析，簡(jiǎn)化情感空間的維數(shù)。一和二屬于調(diào)查階段，三屬于分析階段。

1.1 調(diào)查階段

首先挑選了11對(duì)感覺(jué)形容詞，再加上一對(duì)反映用戶(hù)喜好的形容詞，喜歡和不喜歡，共計(jì)十二對(duì)：喜歡的――不喜歡的，寬廣的――狹窄的，溫馨的――清冷的，協(xié)調(diào)的――不協(xié)調(diào)的，整齊的――雜亂的，優(yōu)雅的――不優(yōu)雅的，明亮的――陰冷的，舒適的――不舒適的，柔和的――剛硬的，現(xiàn)代的――傳統(tǒng)的，簡(jiǎn)約的――復(fù)雜的，放松的――緊張的。

選取200幅公寓圖片，針對(duì)上述十二對(duì)形容詞，邀請(qǐng)120名用戶(hù)進(jìn)行等級(jí)評(píng)價(jià)。評(píng)價(jià)分為五個(gè)等級(jí)，例如圖1的形容詞對(duì)寬廣的――狹窄的，1、2、3、4、5分別表示非常寬廣的，有些寬廣的，中性，既不寬廣也不狹窄的，有些狹窄的，非常狹窄的。

圖1 五級(jí)評(píng)價(jià)

這樣就得到最終的結(jié)果模型，也即用戶(hù)感性數(shù)據(jù)庫(kù)，可描述為：A= ，其中akij為第k個(gè)用戶(hù)對(duì)第i個(gè)公寓圖片的第j個(gè)感性詞匯對(duì)的等級(jí)評(píng)價(jià)，K=120，I=200，J=12，i=1，2，…，I，j=1，2，…，J。

1.2 分析階段

因子分析的思想是將眾多變量之間的內(nèi)部關(guān)系簡(jiǎn)化成用少數(shù)幾個(gè)公共變量來(lái)描述，一般假設(shè)某一樣本變量由所有變量均有的公共因子和自己獨(dú)有的特殊因子兩部分組成，因子分析的數(shù)學(xué)模型為：

X=B F+ε， （1）

（i*j）（i*m） （m*j） （i*j）

其中X為i個(gè)原變量j個(gè)評(píng)價(jià)標(biāo)準(zhǔn)的i維矩陣，B為因子載荷矩陣，F(xiàn)為m維的公共因子變量矩陣，ε為特殊因子矩陣，因子載荷矩陣是各個(gè)原始變量的因子表達(dá)式的系數(shù)，表達(dá)提取的公共因子對(duì)原始變量的影響程度。

對(duì)于上述感性數(shù)據(jù)庫(kù)A，由于akij為第k個(gè)用戶(hù)對(duì)第i個(gè)公寓圖片的第j個(gè)感性詞匯對(duì)的等級(jí)評(píng)價(jià)，于是可求得所有用戶(hù)對(duì)第i個(gè)公寓圖片的第j個(gè)感性詞匯對(duì)的等級(jí)評(píng)價(jià)，進(jìn)而可得到一個(gè)均值意象評(píng)分矩陣A′，A′= ，對(duì)該均值意象評(píng)分矩陣?yán)茫?）式進(jìn)行分析，可得到一個(gè)m維公共因子矩陣，也即將原感性空間從i維降到m維，并可得形容詞在該感性空間的坐標(biāo)。

2 情感客戶(hù)模型

建立情感客戶(hù)模型即建立圖像特征空間到用戶(hù)情感空間的一個(gè)映射，為此，需要先對(duì)公寓樣本圖片進(jìn)行特征提取。

2.1 公寓設(shè)計(jì)樣本圖片特征提取

2.1.1 圖片顏色特征提取

顏色特征采用顏色直方圖法表示，顏色直方圖可以是基于不同的顏色空間和坐標(biāo)系。大部分的數(shù)字圖像都是用RGB顏色空間表達(dá)的，然而為了更接近于人們對(duì)顏色的主觀認(rèn)識(shí)，首先將RGB顏色空間轉(zhuǎn)換到HSV顏色空間，其轉(zhuǎn)換公式具體為下面（2）、（3）、（4）式：

（2）

（3）

（4）

其中 。再將HSV顏色模型進(jìn)行顏色量化，最后計(jì)算得到顏色直方圖。

2.1.2 圖片形狀特征提取

本文選擇Canny算子邊緣檢測(cè)算法對(duì)圖片形狀分析，首先對(duì)圖像按（5）式灰度化；接著用高斯濾波器平滑濾波，濾波器高斯函數(shù)為（6）式，即是根據(jù)待濾波的像素點(diǎn)及其鄰域點(diǎn)的灰度值按照一定的參數(shù)規(guī)則進(jìn)行加權(quán)平均，這樣可以有效濾去圖像中的高頻噪聲；之后計(jì)算圖像灰梯度的幅值和方向，并對(duì)灰度幅值進(jìn)行非極大值抑制，即尋找像素點(diǎn)局部最大值，將非極大值點(diǎn)所對(duì)應(yīng)的灰度值置為0，這樣可以剔除一大部分非邊緣的點(diǎn)；剩下的也不都是邊緣點(diǎn)，為了減少假邊緣，采用雙閾值法，選擇相對(duì)高低兩個(gè)閾值，由高閾值可以得到一個(gè)邊緣圖像，由于閾值較高，這樣圖像就含有很少假邊緣，但是產(chǎn)生的圖像邊緣可能有間斷，因此又采用了一個(gè)低閾值，將高闕值得到的邊緣連接成輪廓，在到達(dá)輪廓的斷點(diǎn)時(shí)，選擇低闕值直到邊緣能夠閉合為止；之后采用Hu不變矩對(duì)提取出來(lái)的輪廓進(jìn)行特征提取。

Gray=0.299R+0.587G+0.114B （5）

（6）

2.2 建立情感模型

本文采取的是BP神經(jīng)網(wǎng)絡(luò)方法，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)圖像特征與用戶(hù)感性詞匯之間的關(guān)系，結(jié)構(gòu)圖如下：

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層維數(shù)為基本顏色的個(gè)數(shù)，輸出層維數(shù)為感性詞匯的個(gè)數(shù)。我們選擇200幅公寓圖片作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練圖，邀請(qǐng)20位用戶(hù)對(duì)這些圖像進(jìn)行情感標(biāo)注，挑選出代表性詞匯，假設(shè)我們得到的詞匯空間為溫馨，清冷，簡(jiǎn)約，古典，恬淡，高貴，輕快，優(yōu)雅，分別用（10000000），（01000000）…（00000001）一一對(duì)應(yīng)表示，之后提取圖片的顏色特征，得到十二種基本顏色特征，紅橙黃綠青藍(lán)紫褐灰粉黑白，分別用（100000000000），（010000000000）…（000000000001）一一對(duì)應(yīng)表示，這樣就得到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。輸入層與輸出層之間隱含層的作用是根據(jù)訓(xùn)練樣本，學(xué)習(xí)提取并儲(chǔ)存其內(nèi)在規(guī)律。對(duì)于隱含層節(jié)點(diǎn)來(lái)說(shuō)，確定其最佳數(shù)目的常用方法是試湊法，一般以式（7）作為試湊法的初始值：

（7）

式中m為隱層節(jié)點(diǎn)個(gè)數(shù)，n為輸入層節(jié)點(diǎn)個(gè)數(shù)，l為輸出層節(jié)點(diǎn)個(gè)數(shù)，a為1-10之間的常數(shù)。完成訓(xùn)練后，就可以將訓(xùn)練樣本以外的數(shù)據(jù)輸入到網(wǎng)絡(luò)中，判斷網(wǎng)絡(luò)的預(yù)測(cè)能力。

3 客戶(hù)自選公寓設(shè)計(jì)人機(jī)系統(tǒng)

圖3給出了該人機(jī)系統(tǒng)的框圖，圖4給出了用戶(hù)自選流程，用戶(hù)可以對(duì)顯示的圖片進(jìn)行選擇，文中選取的是200幅公寓圖片，但系統(tǒng)圖片庫(kù)中遠(yuǎn)遠(yuǎn)超過(guò)這個(gè)數(shù)目，而且系統(tǒng)管理人員會(huì)及時(shí)更新圖片庫(kù)，所以要求系統(tǒng)能夠?qū)Ω碌膱D片進(jìn)行感性注釋?zhuān)?dāng)用戶(hù)輸入的是系統(tǒng)形容詞庫(kù)中所沒(méi)有的形容詞時(shí)，系統(tǒng)能夠進(jìn)行訓(xùn)練學(xué)習(xí)，找到其感性空間中對(duì)應(yīng)坐標(biāo)，并且系統(tǒng)可以該形容詞匯自動(dòng)記憶并加入感性形容詞庫(kù)。

圖3 客戶(hù)自選公寓人機(jī)系統(tǒng)框圖 圖4 用戶(hù)自選公寓流程

4 實(shí)驗(yàn)及分析

本文共選取了200幅公寓圖片，邀請(qǐng)用戶(hù)對(duì)圖片進(jìn)行評(píng)價(jià)和量化，形成情感數(shù)據(jù)庫(kù)，當(dāng)用戶(hù)提出形容詞配對(duì)自選公寓時(shí)，從圖片庫(kù)中找出符合條件的樣本，并顯示出來(lái)。圖5為“清冷的”顯示結(jié)果。實(shí)驗(yàn)中用戶(hù)感覺(jué)較好。

圖5 自助公寓系統(tǒng)獲取圖像

5 結(jié)束語(yǔ)

本文將感性工學(xué)方法與圖像特征提取相結(jié)合用于設(shè)計(jì)人機(jī)系統(tǒng)，研究出一種情感模型，通過(guò)神經(jīng)網(wǎng)絡(luò)方法，使得圖片的特征空間可以映射到客戶(hù)情感空間，從而完成了自選公寓系統(tǒng)最重要的部分，致力于實(shí)現(xiàn)人機(jī)之間的和諧交流。在公寓樣本圖像的分析這個(gè)問(wèn)題上，包括圖像選取是否涵蓋所有類(lèi)型，包括怎樣使提取的特征更準(zhǔn)確代表圖像，比如有的學(xué)者將圖像的全局顏色特征和局部特征相結(jié)合，等等，未來(lái)研究中可以著重這些方面，進(jìn)一步完善。

參考文獻(xiàn)：

[1]黃，賴(lài)茂生.圖像情感特征的分類(lèi)與提取[J].計(jì)算機(jī)應(yīng)用，2008（03）.

[2]許青，陳坤，彭兆元.基于感性工學(xué)的消費(fèi)者需求分析[J].設(shè)計(jì)藝術(shù)研究，2012（03）.

[3]汪霞，張曉如，馮成.基于顏色、形狀的情感圖像檢索[J].科學(xué)技術(shù)與工程，2009（11）.

[4]薛雨麗，毛峽，張帆.BHU人臉表情數(shù)據(jù)庫(kù)的設(shè)計(jì)與實(shí)現(xiàn)[J]，2007（02）.

[5]Akiya Inoue，Takeshi Kurosawa，Motoi Iwashita，Ken Nishimatsu.Customer Choice-Behavior Modeling Applied to Kansei Engineering.2011 International Conference on Biometrics and Kansei Engineering.

[6]湯凌潔.感性工學(xué)方法之考察[D].南京藝術(shù)學(xué)院，2008：21-39.

[7]蘇建寧，李鶴歧.應(yīng)用數(shù)量化一類(lèi)理論的感性意象與造型設(shè)計(jì)要素關(guān)系的研究[J].蘭州理工大學(xué)學(xué)報(bào)，2005（02）.

[8]柯惠新，黃京華，沈浩.調(diào)查研究中的統(tǒng)計(jì)分析法[M].北京：北京廣播學(xué)院出版社，1999.

[9]靳清澤.基于神經(jīng)網(wǎng)絡(luò)的圖像特征和情感映射規(guī)則的研究[D].太原理工大學(xué)，2012.

[10]李清勇，胡宏，施智平.基于紋理語(yǔ)義特征的圖像檢索研究[J].計(jì)算機(jī)學(xué)報(bào)，2006（01）.

[11]李海芳，柳凌燕，陳俊杰.基于免疫規(guī)劃的神經(jīng)網(wǎng)絡(luò)規(guī)則抽取算法[J].電腦開(kāi)發(fā)與應(yīng)用，2010（07）.

[12]劉紅巖，陳劍，陳國(guó)青.數(shù)據(jù)挖掘中數(shù)據(jù)分類(lèi)算法綜述[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2002（06）：727-730.

[13]王上飛，陳恩紅，王勝惠.基于情感模型的感性圖像檢索[J].電路與系統(tǒng)學(xué)報(bào)，2003（06）.

神經(jīng)網(wǎng)絡(luò)情感分析范文3

關(guān)鍵詞：教學(xué)設(shè)計(jì)前端分析；數(shù)據(jù)挖掘；綜合集成方法論；BP神經(jīng)網(wǎng)絡(luò)；層次聚類(lèi)

中圖分類(lèi)號(hào)：G40-057　文獻(xiàn)標(biāo)識(shí)碼：A　文章編號(hào)：1673-8454(2011)21-0084-04

教學(xué)設(shè)計(jì)對(duì)于教學(xué)工作科學(xué)化，提高學(xué)習(xí)者分析問(wèn)題、解決問(wèn)題的能力和培養(yǎng)科學(xué)思維能力與科學(xué)態(tài)度，促進(jìn)教育技術(shù)的實(shí)踐與理論的發(fā)展和適應(yīng)信息社會(huì)發(fā)展的需求等方面都有著重要的意義和價(jià)值。前端分析，是教學(xué)設(shè)計(jì)的第一步，它是教學(xué)設(shè)計(jì)過(guò)程的基礎(chǔ)，有助于理順問(wèn)題與方法、目的與手段的關(guān)系，其設(shè)計(jì)的好壞直接影響到后面的一系列工作。在不同的教學(xué)設(shè)計(jì)過(guò)程模式中，前端分析的內(nèi)容略有不同，但主要包括：學(xué)習(xí)任務(wù)、學(xué)習(xí)需要、學(xué)習(xí)者特征和學(xué)習(xí)環(huán)境等。鑒于本文的研究主要定位于學(xué)科課程范圍，學(xué)習(xí)需要和學(xué)習(xí)任務(wù)由學(xué)校學(xué)科專(zhuān)業(yè)所規(guī)定，學(xué)習(xí)環(huán)境一般在具體的情境中由授課教師掌握控制，又由于學(xué)習(xí)者是教學(xué)活動(dòng)的主體，教學(xué)設(shè)計(jì)的一切活動(dòng)都是為了學(xué)習(xí)者的學(xué)，學(xué)生之間存在著共性，也存在著差異，本文只對(duì)學(xué)習(xí)者特征做主要研究。對(duì)學(xué)生進(jìn)行分析的目的是了解影響學(xué)生學(xué)習(xí)的認(rèn)知能力、學(xué)習(xí)風(fēng)格、學(xué)習(xí)動(dòng)機(jī)。通過(guò)對(duì)學(xué)習(xí)者三個(gè)方面特征的研究，使得教師更好地把握學(xué)習(xí)者的情況，從而達(dá)到更好地實(shí)現(xiàn)因材施教、因風(fēng)格施教的口的。

為了有利于后續(xù)教學(xué)設(shè)計(jì)自動(dòng)化的探索，本文基于綜合集成(Meta-synthesis)方法論，即將專(zhuān)家的知識(shí)與經(jīng)驗(yàn)、統(tǒng)計(jì)數(shù)據(jù)和信息資料，以及計(jì)算機(jī)技術(shù)三者有機(jī)動(dòng)態(tài)地結(jié)合起來(lái)，構(gòu)成一個(gè)高度智能化的人機(jī)交互系統(tǒng)，把數(shù)據(jù)挖掘技術(shù)應(yīng)用于數(shù)字化后的教學(xué)設(shè)計(jì)前端分析中，列舉出實(shí)驗(yàn)過(guò)程，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。

一、理論基礎(chǔ)

1.數(shù)據(jù)挖掘技術(shù)概述

數(shù)據(jù)挖掘(Data Mining，DM)是從大量的、不規(guī)則的、含有噪音的數(shù)據(jù)集中識(shí)別出有效的、新穎的、潛在有用的，以及最終可被人理解和利用的模式的高級(jí)處理過(guò)程。它包含神經(jīng)網(wǎng)絡(luò)、聚類(lèi)、粗糙集、遺傳算法、決策樹(shù)、關(guān)聯(lián)規(guī)則等多種技術(shù)。它被廣泛應(yīng)用于各個(gè)領(lǐng)域，包括金融業(yè)、零售業(yè)、電信業(yè)及其他科技應(yīng)用領(lǐng)域。

2.BP神經(jīng)網(wǎng)絡(luò)方法

BP神經(jīng)網(wǎng)絡(luò)(誤差反向傳播網(wǎng)絡(luò))是目前使用最廣泛、發(fā)展最成熟的一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，它是一種監(jiān)督學(xué)習(xí)型數(shù)據(jù)挖掘方法。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點(diǎn)是輸入信號(hào)前向傳遞，誤差反向傳遞，并且在這個(gè)過(guò)程中不斷修改權(quán)值直到達(dá)到目標(biāo)值。網(wǎng)絡(luò)包括：輸入層，隱層和輸出層。其網(wǎng)絡(luò)模型如圖1所示：

其中，X1，X2……Xn是輸入信號(hào)。YI，Y2……Yn是輸出信號(hào)。Wij，wjk代表權(quán)值。輸入層輸入信號(hào)，輸出層輸出處理結(jié)果信號(hào)，隱層處理信號(hào)，在處理的過(guò)程中，根據(jù)來(lái)自輸出層的反饋信號(hào)，權(quán)值不斷被調(diào)整，當(dāng)輸出層誤差減小到預(yù)定值時(shí)，學(xué)習(xí)結(jié)束。可以說(shuō)，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的實(shí)質(zhì)就是權(quán)值的改變。

3.聚類(lèi)分析方法

聚類(lèi)分析是一種無(wú)監(jiān)督學(xué)習(xí)型數(shù)據(jù)挖掘方法，其實(shí)質(zhì)是建立一利，分類(lèi)方法，它能夠?qū)⒁慌鷺颖緮?shù)據(jù)按照他們?cè)谛再|(zhì)上的親密程度在沒(méi)有先驗(yàn)知識(shí)的情況下自動(dòng)進(jìn)行分類(lèi)。層次聚類(lèi)是聚類(lèi)分析中的一種方法，它是根據(jù)樣本間的親疏程度，將最相似的樣本結(jié)合在一起，以逐次聚合的方式分類(lèi)，白：到最后所有的樣水成一類(lèi)。

根據(jù)聚類(lèi)過(guò)程的不同，層次聚類(lèi)法可分為方向相反的兩大類(lèi)：分解法(自頂向下)和凝聚法(自底向上)。本研究采用的是凝聚法，其基本思想是：(1)假定N個(gè)樣本各自成一類(lèi)，計(jì)算類(lèi)間距(等于各樣本之間的距離)；(2)選擇距離最近的兩類(lèi)并成一個(gè)新類(lèi)：(3)計(jì)算新類(lèi)與其他類(lèi)問(wèn)的距離；(4)重復(fù)第2步和第3步，這樣每次縮小一類(lèi)，直到所有樣本都成一類(lèi)為上。

二、學(xué)習(xí)者特征測(cè)量方法

學(xué)習(xí)者特征主要包括認(rèn)知能力、學(xué)習(xí)風(fēng)格、學(xué)習(xí)動(dòng)機(jī)三個(gè)方面。

美國(guó)著名教育心理學(xué)家布魯姆(B.S.Bloom)的“教育目標(biāo)分類(lèi)”理論把教學(xué)目標(biāo)分為認(rèn)知、情感和動(dòng)作技能三個(gè)目標(biāo)領(lǐng)域，其中認(rèn)知能力的目標(biāo)按智力活動(dòng)的復(fù)雜程度由低級(jí)到高級(jí)又可劃分為六個(gè)等級(jí)：(1)認(rèn)記――記憶或重復(fù)以前呈現(xiàn)過(guò)的信息的能力，也就是知識(shí)保持能力；(2)理解――用自己的語(yǔ)言來(lái)解釋所獲得的信息的能力；(3)應(yīng)用――將知識(shí)(概念、原理或定律)應(yīng)用于新情況的能力；(4)分析――把復(fù)雜的知識(shí)分解為若干個(gè)彼此相關(guān)的組成部分的能力；(5)綜合――將有關(guān)的知識(shí)元素綜合起來(lái)形成新知識(shí)塊或新模式的能力：(6)評(píng)價(jià)――根據(jù)已有知識(shí)或給定的標(biāo)準(zhǔn)對(duì)事物作出評(píng)價(jià)和鑒定的能力。根據(jù)認(rèn)知能力的評(píng)估與測(cè)量方法的不同，可以把學(xué)生認(rèn)知能力值測(cè)量方法分為兩種：“小組評(píng)估法”和“逐步逼近法。”研究是根據(jù)“小組評(píng)估法”來(lái)設(shè)計(jì)量表測(cè)試學(xué)生認(rèn)知能力的。

學(xué)習(xí)動(dòng)機(jī)是指直接推動(dòng)學(xué)生進(jìn)行學(xué)習(xí)的一種內(nèi)部動(dòng)力，是激勵(lì)和指引學(xué)生進(jìn)行學(xué)習(xí)的一種需要，本文學(xué)習(xí)動(dòng)機(jī)測(cè)量是根據(jù)王迎、彭華茂、黃榮懷等在《遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)動(dòng)機(jī)測(cè)量工具的編制與應(yīng)用》一文中提出的“遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)動(dòng)機(jī)問(wèn)卷”測(cè)量的，該問(wèn)卷是根據(jù)奧蘇貝爾的學(xué)習(xí)動(dòng)機(jī)分類(lèi)理論從三個(gè)動(dòng)機(jī)維度，即認(rèn)知內(nèi)驅(qū)力、自我提高內(nèi)驅(qū)力和附屬內(nèi)驅(qū)力來(lái)制定的一種測(cè)驗(yàn)學(xué)生學(xué)習(xí)動(dòng)機(jī)類(lèi)型和強(qiáng)度的表格：奧蘇貝爾將學(xué)習(xí)動(dòng)機(jī)劃分為三個(gè)方面：即認(rèn)知內(nèi)驅(qū)力(cognitive drive)、自我提高內(nèi)驅(qū)力(ego-enhancement drive)以及附屬內(nèi)驅(qū)力(affiliative drive)，認(rèn)知內(nèi)驅(qū)力是一種要求了解和理解的需要，要求掌握知識(shí)的需要，以及系統(tǒng)地闡述問(wèn)題并解決問(wèn)題的需要，這是一種內(nèi)部動(dòng)機(jī)；自我提高內(nèi)驅(qū)力是個(gè)體因自己的勝任能力或工作能力而贏得相應(yīng)地位的需要，這是一種外部動(dòng)機(jī)：附屬內(nèi)驅(qū)力：是個(gè)體為了保持長(zhǎng)者(家長(zhǎng)、教師等)的贊許：或認(rèn)可而表現(xiàn)出來(lái)的把學(xué)習(xí)或工作做好的一種需要，也是一種外部動(dòng)機(jī)。

學(xué)習(xí)風(fēng)格(Learmng Stvte)的概念是由美國(guó)學(xué)者Herbert Thelen于1954年首次提出，在今天的教育和技能培訓(xùn)領(lǐng)域中，學(xué)習(xí)風(fēng)格一詞已是研究者最廣泛使用的概念之一，學(xué)習(xí)風(fēng)格理論已成為當(dāng)今教育心理學(xué)一個(gè)新的領(lǐng)域。學(xué)習(xí)風(fēng)格是學(xué)習(xí)者持續(xù)一貫的帶有個(gè)性特征的學(xué)習(xí)方式，是學(xué)習(xí)策略和學(xué)習(xí)傾向的總和。其測(cè)定方法主要有測(cè)驗(yàn)法、行為觀察法、行為評(píng)定法和作品分析法。其中，測(cè)驗(yàn)法是最主要的方法。學(xué)習(xí)風(fēng)格的測(cè)量在手段上可以分為圖式和量表兩種形式。大多數(shù)研究者采用量表方式來(lái)測(cè)定學(xué)習(xí)風(fēng)格。學(xué)習(xí)風(fēng)格的測(cè)量工具可以分為七種二場(chǎng)獨(dú)立一場(chǎng)依存類(lèi)型測(cè)量工具、榮格個(gè)性

類(lèi)型測(cè)量工具、感知覺(jué)類(lèi)型測(cè)量工具、社會(huì)互動(dòng)類(lèi)型測(cè)量工具、多元智能類(lèi)型測(cè)量工具、基于經(jīng)驗(yàn)的學(xué)習(xí)風(fēng)格測(cè)量量表、基于三維模型的學(xué)習(xí)風(fēng)格測(cè)量量表。所羅門(mén)學(xué)習(xí)風(fēng)格量表屬于多元智能類(lèi)型測(cè)量工具。多元智力理論是由加德納提出的，但他并未開(kāi)發(fā)測(cè)量工具。所羅門(mén)學(xué)習(xí)風(fēng)格量表(也稱(chēng)Felder-Si／verman量表)是由Feldel和Soloman于1997年開(kāi)發(fā)的一種用來(lái)測(cè)量學(xué)生學(xué)習(xí)風(fēng)格類(lèi)型的量表，是教育領(lǐng)域比較有權(quán)威的學(xué)習(xí)風(fēng)格量表。所羅門(mén)(Barbara A.Soloman)從信息加工感知、輸入、理解四個(gè)方面將學(xué)習(xí)風(fēng)格分為4個(gè)組對(duì)8種類(lèi)型，它們是：活躍型與沉思型、感悟型與直覺(jué)型、視覺(jué)型與言語(yǔ)型、序列型與綜合型，比較全面地反映了學(xué)習(xí)者的學(xué)習(xí)風(fēng)格，且具有很強(qiáng)的操作性，可以較好地進(jìn)行學(xué)習(xí)風(fēng)格的調(diào)試。因此，本文中學(xué)習(xí)風(fēng)格測(cè)量選用“所羅門(mén)學(xué)習(xí)風(fēng)格量表”測(cè)量。

三、調(diào)查問(wèn)卷結(jié)果

本研究的調(diào)查對(duì)象是云南大學(xué)2008屆職業(yè)與繼續(xù)教育學(xué)院市場(chǎng)營(yíng)銷(xiāo)和財(cái)會(huì)專(zhuān)業(yè)現(xiàn)代教育技術(shù)學(xué)課程的89名本科生的認(rèn)知能力、學(xué)習(xí)動(dòng)機(jī)和學(xué)習(xí)風(fēng)格。調(diào)查問(wèn)卷共89份，經(jīng)篩選整理后，有效問(wèn)卷為89份?表1、2、3為問(wèn)卷處理后的部分?jǐn)?shù)據(jù)。

四、層次聚類(lèi)方法分類(lèi)

利用SPSS軟件，用層次聚類(lèi)分析法對(duì)上述問(wèn)卷數(shù)據(jù)進(jìn)行聚類(lèi)得到分類(lèi)結(jié)果，然后把結(jié)果反饋給被調(diào)查者，再由被調(diào)查者和專(zhuān)家對(duì)結(jié)果進(jìn)行核實(shí)、探討，取得共識(shí)，接下來(lái)對(duì)可疑或不合理的數(shù)據(jù)進(jìn)行相應(yīng)的調(diào)整，如此反復(fù)修改，最后形成用于接下來(lái)的實(shí)驗(yàn)研究中的學(xué)生特征分類(lèi)結(jié)果。其中，把認(rèn)知能力分為較強(qiáng)和一般兩類(lèi)，學(xué)習(xí)動(dòng)機(jī)分為較強(qiáng)、中等和較弱三類(lèi)。

學(xué)習(xí)風(fēng)格的測(cè)量結(jié)果可以直接用于描述學(xué)習(xí)者，故不做進(jìn)一步研究。

五、認(rèn)知能力數(shù)據(jù)分析預(yù)測(cè)

1.BP網(wǎng)絡(luò)設(shè)計(jì)

首先，需要獲得網(wǎng)絡(luò)的輸入和目標(biāo)樣本。根據(jù)上面得到的學(xué)生特征分類(lèi)結(jié)果，選取其中30組作為訓(xùn)練樣本、樣本被分為較強(qiáng)組和一般組。

接下來(lái)確定網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)Kohnogorov定理，采用一個(gè)Nx(2N+I)xM的3層BP網(wǎng)絡(luò)作為狀態(tài)分類(lèi)器。其中，N表示輸入特征向量的分量數(shù)，M表示輸出狀態(tài)類(lèi)別總數(shù)。對(duì)于本例，N=6。為了簡(jiǎn)化網(wǎng)絡(luò)，用(1，1)表示較強(qiáng)狀態(tài)，(1，0)表示一般狀態(tài)。這樣一來(lái)，就可以在網(wǎng)絡(luò)中只設(shè)計(jì)兩個(gè)輸入神經(jīng)元表示這兩種狀態(tài)類(lèi)別。由此可得，該BP網(wǎng)絡(luò)結(jié)構(gòu)為：輸入層有6個(gè)神經(jīng)元，中間層有13個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。按照一般的設(shè)計(jì)方案，中間層神經(jīng)元的傳遞函數(shù)為s型正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為S型對(duì)數(shù)函數(shù)，是因?yàn)樵摵瘮?shù)為0-1麗數(shù)(后面我們必須將樣本數(shù)據(jù)歸一化到0-1內(nèi))，正好滿(mǎn)足狀態(tài)類(lèi)別的輸出要求。

令P表示網(wǎng)絡(luò)的輸入樣本向量，T表示網(wǎng)絡(luò)的目標(biāo)向量，由上表可得

P=[81 82 69 78 65 46、69 68 65 72 72 53，79 92 56 67 78 61、

79 60 62 69 81 60 82 85 70 82 80 62 66 g4 69 63 85 59，

80 90 75 78 79 51，90 93 63 88 77 59

69 78 60 76 83 57，……]

T=[1 1 1 1 1 1 1 1，1 1 1 1，1 1 1 1 1 1，1 1 1 1，1 1，1 1 1 1 1 1

1 0 1 n 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 10

利用如下代碼建立一個(gè)符合以上要求的BP網(wǎng)絡(luò)。網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainhn，學(xué)習(xí)函數(shù)取默認(rèn)值learngdm，性能函數(shù)取默認(rèn)值mse。其中麗數(shù)mlnnaax設(shè)定了輸入向量元素的閾值范圍。

net=newff(minmax(P)，[13,2]，{tansig','logsig”)，’trainlml；

2.網(wǎng)絡(luò)訓(xùn)練

net=train(net,P,T)

訓(xùn)練結(jié)果為：

TRAINLM，Epoch 0／50，MSE 0 730893／0.001，Gra-dient 1.60962／le-010

TRAINLM，Epoch 7／50，MSE 0.000444178／0.001，Gradient 0.0902879／le-010

TRAINLM，Performance goa]met，

可見(jiàn)，經(jīng)過(guò)7次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到了設(shè)定的最小值，結(jié)果如圖2所示。

3.網(wǎng)絡(luò)測(cè)試與運(yùn)用

網(wǎng)絡(luò)測(cè)試的目的是為了確定網(wǎng)絡(luò)是甭滿(mǎn)足實(shí)際應(yīng)用的需求。選取7組“較強(qiáng)”狀態(tài)數(shù)據(jù)和3組“一般”狀態(tài)數(shù)據(jù)作為測(cè)試數(shù)據(jù)。利用上面設(shè)計(jì)的網(wǎng)絡(luò)，判別它們分別屬于哪一種狀態(tài)。運(yùn)行結(jié)果如圖3所示：

由此可見(jiàn)，前7組數(shù)據(jù)預(yù)測(cè)其為“較強(qiáng)”狀態(tài)，后3組數(shù)據(jù)預(yù)測(cè)其為“一般”狀態(tài)，這與實(shí)際情況相符合，說(shuō)明所設(shè)計(jì)的網(wǎng)絡(luò)是合理的，可以投入運(yùn)用。

六、學(xué)習(xí)動(dòng)機(jī)數(shù)據(jù)分析預(yù)測(cè)

學(xué)習(xí)動(dòng)機(jī)在BP網(wǎng)絡(luò)設(shè)計(jì)、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試與應(yīng)用上的方法與認(rèn)知能力相似，故不再贅述。在此只給出網(wǎng)絡(luò)的目標(biāo)樣本訓(xùn)練的結(jié)果圖(圖4)、測(cè)試樣本(表4)和測(cè)試結(jié)果(圖5)。

目標(biāo)樣本為：

由此可見(jiàn)，前2組數(shù)據(jù)預(yù)測(cè)其為“較強(qiáng)”狀態(tài)，第3組數(shù)據(jù)預(yù)測(cè)其為“中等”狀態(tài)，第4組不能判斷其狀態(tài)情況，第5組數(shù)據(jù)預(yù)測(cè)其為“中等”狀態(tài)，第6組數(shù)據(jù)預(yù)測(cè)其為“較弱”狀態(tài)，其中，第1、2、3、6組數(shù)據(jù)預(yù)測(cè)結(jié)果與實(shí)際相符合，第4、5組預(yù)測(cè)結(jié)果與實(shí)際情況不符合，故神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成功率為66.7％，基本可以使用。

七、小結(jié)

教學(xué)設(shè)計(jì)前端分析是一個(gè)復(fù)雜的問(wèn)題，本文以從定性到定量綜合集成方法為主，在大量實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，選用數(shù)據(jù)挖掘技術(shù)中的BP神經(jīng)網(wǎng)絡(luò)和層次聚類(lèi)分析對(duì)教學(xué)設(shè)計(jì)前端分析中的認(rèn)知能力和學(xué)習(xí)動(dòng)機(jī)做了研究，系統(tǒng)預(yù)測(cè)成功率較高，這對(duì)于進(jìn)一步開(kāi)展后續(xù)的教學(xué)設(shè)計(jì)研究及實(shí)現(xiàn)教學(xué)設(shè)計(jì)自動(dòng)化的研究起著很好的鋪墊作用。

參考文獻(xiàn)：

[1]于景元，涂元季從定性到定量綜合集成方法――案例研究U]系統(tǒng)工程理論與實(shí)踐，2002(5)：2.

[2]陳文偉，陳晟知識(shí)工程與知識(shí)管理[M].北京：清華大學(xué)出版社，2010：165.

[3]韓力群人工神經(jīng)網(wǎng)絡(luò)教程[M].北京北京郵電大學(xué)出版社，2006：59-64.

[4]楊曉明SPSS在教育統(tǒng)計(jì)中的應(yīng)用[M].北京：高等教育出版社，2004：247.

[5]瞿俊，基于重疊度的層次聚類(lèi)算法研究及其應(yīng)用[D].福建：廈門(mén)大學(xué)，2007.

[6]羅伯特?M?加涅學(xué)習(xí)的條件[M].北京：人民教育出版社，1985.

[7]張正蘭，張明，蔡紹稷建造認(rèn)知型學(xué)生模型的研究[J].南京師大學(xué)報(bào)(自然科學(xué)版)，1997，20(1)：2-4.

[8]陳琦，劉孺德當(dāng)代教育心理學(xué)[M].北京：北京師范大學(xué)出版社，1997：120.

[9]王迎，彭華茂，黃榮懷遠(yuǎn)程學(xué)習(xí)者學(xué)習(xí)動(dòng)機(jī)測(cè)量工具的編制與應(yīng)用U1開(kāi)放教育研究，2006,12(5)：1-4

[10]李淑霞成功遠(yuǎn)程學(xué)習(xí)者研究綜述[J].成功(教育)，2007.

[11]陳晶，李玉斌，劉家勛.網(wǎng)絡(luò)遠(yuǎn)程學(xué)習(xí)者特征分析方法初探[J].現(xiàn)代遠(yuǎn)程教育研究，2006(5).

[12]龍雪梅WBI設(shè)計(jì)中的學(xué)習(xí)風(fēng)格分析[J].西南師范大學(xué)學(xué)報(bào),2001(8)：480-483.

[13]陳麗遠(yuǎn)程教育學(xué)基礎(chǔ)[M].北京：高等教育出版社,2004(7).

神經(jīng)網(wǎng)絡(luò)情感分析范文4

一、移情的定義

盡管“移情”一詞來(lái)源于西方的美學(xué)，但在我國(guó)傳統(tǒng)文化中很早就出現(xiàn)了關(guān)于移情的理論。例如，孔子學(xué)說(shuō)的核心是“忠恕”；朱熹說(shuō)：“恕，推己以及人也。”推己以及人就是移情。可見(jiàn)，我國(guó)古代所講的“推己及人”“設(shè)身處地”其實(shí)就暗含了移情的內(nèi)涵。

在西方，對(duì)移情最早做出系統(tǒng)闡述的則是德國(guó)美學(xué)家T.李普斯，他在《論移情作用》里說(shuō)：“審美欣賞的特征在于，在它里面使我感到愉快的自我和使我感到愉快的對(duì)象并不是分割開(kāi)來(lái)成為兩回事，這兩方面都是同一個(gè)自我，即直接體驗(yàn)到的自我。”李普斯側(cè)重于由我及物，但沒(méi)有著重分析自然景物對(duì)人的情緒的作用。

盡管東西方文化都提到移情理論，但對(duì)移情的側(cè)重點(diǎn)在這兩種文化中稍有不同。我國(guó)傳統(tǒng)文化側(cè)重的是“由我及人”的移情，而西方美學(xué)側(cè)重的是“由我及物”的移情。

在心理學(xué)領(lǐng)域中，移情的概念最早在1909年由鐵欽納提出，他認(rèn)為人不僅能看到別人的情感，而且也能用心靈感受到別人的情感，他把這種情形稱(chēng)為移情。在心理學(xué)百科全書(shū)中，移情稱(chēng)為感情的移入，指的是個(gè)體從他人角度出發(fā)感受到他人的情感、想法和認(rèn)識(shí)的心理現(xiàn)象。

綜上所述，移情的概念非常復(fù)雜，有關(guān)移情的定義至今仍存爭(zhēng)議。文中筆者將移情定義為覺(jué)察、理解別人感覺(jué)和情緒的傾向以及敏感程度。

二、如何增強(qiáng)移情能力

（一）情感分享

建立移情雖然很簡(jiǎn)單，但并不總是很容易。研究已經(jīng)得出，當(dāng)我們體驗(yàn)別人的經(jīng)歷時(shí)，自然做出情感分享反應(yīng)。這主要是因?yàn)閯e人的經(jīng)歷無(wú)意識(shí)地激發(fā)了我們大腦鏡像神經(jīng)元，鏡像神經(jīng)元能反應(yīng)別人大腦細(xì)胞的情況。從嬰兒期開(kāi)始，鏡像神經(jīng)元幫助我們將別人的姿勢(shì)同化到自己的動(dòng)力系統(tǒng)，成為分享表象。我們的神經(jīng)網(wǎng)絡(luò)儲(chǔ)存并編碼這些分享表象，當(dāng)受到相應(yīng)的刺激時(shí)，我們會(huì)無(wú)意識(shí)地分享別人的情感。姿勢(shì)、身體語(yǔ)言以及聲調(diào)等分享表象形成我們的神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)就像大腦的“硬件”，其他諸如語(yǔ)言等分享表象形成的神經(jīng)網(wǎng)絡(luò)就像大腦的“軟件”，研究者認(rèn)為孤獨(dú)癥患者在某種程度上不能形成足夠的鏡像神經(jīng)元，因而分享情感能力受到影響。

形成這些產(chǎn)生移情的神經(jīng)通路，需要我們耐心觀察別人：不是用我們學(xué)習(xí)的理論分析別人，而是要特別注意別人的行為、面部表情、聲調(diào)以及話(huà)語(yǔ)等等，這純粹是由我們的經(jīng)驗(yàn)形成的。這意味著雖然理論對(duì)于分析問(wèn)題以及解決問(wèn)題是必需的，但是要做到移情唯一要做的就是觀察別人的行為、姿勢(shì)、面部表情、說(shuō)話(huà)的聲調(diào)等等。

（二）自我—他人意識(shí)

情感分享在很多領(lǐng)域都非常重要，但是有研究表明：情感分享亦能導(dǎo)致情感枯竭或者生理耗盡。許多社會(huì)工作者對(duì)那些需要救濟(jì)者有很強(qiáng)的情感分享行為，但是往往在擺脫他們的情感困擾時(shí)出現(xiàn)問(wèn)題，因此當(dāng)他們想要放松時(shí)，仍有負(fù)擔(dān)。這種對(duì)別人情感卷入的程度不是建設(shè)性的，阻止了建設(shè)性的行為反應(yīng)。外科醫(yī)生禁止為那些與之感情卷入過(guò)深的人做手術(shù)，因?yàn)榭陀^性是提供幫助的基礎(chǔ)。這對(duì)于那些希望治愈心理困擾者的社會(huì)工作者來(lái)說(shuō)也是同樣的道理，對(duì)于我們自身來(lái)說(shuō)也是同樣的道理，我們對(duì)別人的情感卷入過(guò)深時(shí)，容易將別人的情感困擾帶給自己。

從教育的視角來(lái)看，社會(huì)工作者應(yīng)該知道，如果不能區(qū)分自我意識(shí)與他人意識(shí)，那么真正的移情不存在。自我意識(shí)允許我們自己的情感從別人的情感中脫離出來(lái)，避免過(guò)度情感卷入以及允許我們理智推斷別人的心理狀態(tài)及別人的態(tài)度。換句話(huà)說(shuō)，自我—他人意識(shí)就像閘門(mén)一樣，適當(dāng)?shù)淖柚刮覀冋J(rèn)知與情感之間的自動(dòng)聯(lián)結(jié)。如果社會(huì)工作者缺乏自我—他人意識(shí)，那么很容易體驗(yàn)求助者的憤怒、絕望以及焦慮等情緒。沒(méi)有自我與他人邊界的社會(huì)工作者不僅容易體驗(yàn)求救者的消極情緒，還可能將自己的情緒投射給別人。

對(duì)事實(shí)情況的覺(jué)察可以幫助社會(huì)工作者在情感分享的同時(shí)清晰的區(qū)分自我與別人。如果我們確實(shí)看清楚了當(dāng)下情境下發(fā)生了什么，我們不僅對(duì)別人產(chǎn)生移情，我們也能看清事實(shí)：那是別人的傷痛、困惑和失落感，而不是我的。

（三）心理靈活性，自我情感控制

心理靈活性是復(fù)雜的認(rèn)知能力，讓我們?cè)诮邮芎途芙^別人觀點(diǎn)之間，識(shí)別自我與別人之間反復(fù)變化。Eisenberg等人將情感控制定義為“開(kāi)始、避免、抑制、維持的過(guò)程或者調(diào)節(jié)發(fā)生，形成，強(qiáng)度的過(guò)程或者維持內(nèi)在情感狀態(tài)，情緒心理過(guò)程，情緒目標(biāo)，伴隨情緒的行為，實(shí)現(xiàn)目標(biāo)的過(guò)程。”

心理靈活性也是有效運(yùn)用移情的關(guān)鍵成分。如果我們不開(kāi)啟對(duì)別人經(jīng)歷的感受能力，就不能感受別人的感受。同樣，如果不能抑制對(duì)別人的感受能力，那么就會(huì)感受別人的消極情緒，導(dǎo)致情感枯竭。

自我控制被定義為控制個(gè)體想法、情緒以及行為的有意識(shí)、有目的地努力。因此，大部分理論家強(qiáng)調(diào)那些想控制或改變自己行為的人必須多注意自己的行為，有意識(shí)地控制行為。

研究表明，自我覺(jué)察是控制個(gè)體情緒狀態(tài)的關(guān)鍵。我們控制情感分享以及達(dá)到健康的自我—他人意識(shí)狀態(tài)的關(guān)鍵是覺(jué)察別人與自己的想法或情感。

神經(jīng)網(wǎng)絡(luò)情感分析范文5

【關(guān)鍵字】人工智能，計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)，措施手段

中圖分類(lèi)號(hào)：G623文獻(xiàn)標(biāo)識(shí)碼： A

一、前言

人工智能手段在我國(guó)的很多的領(lǐng)域都有所涉及，人工智能的應(yīng)用不僅僅方便了人們的生產(chǎn)生活，而且有助于我國(guó)各項(xiàng)科學(xué)技術(shù)的運(yùn)行和發(fā)展。我們根據(jù)現(xiàn)今先進(jìn)的人工智能的計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)用模式進(jìn)行了具體的分析和探討，有如下的幾點(diǎn)結(jié)論，希望有一定的借鑒作用：

二、人工智能

1.人工智能(Artificial Intelligence)簡(jiǎn)稱(chēng)AI。它是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)。人工智能研究如何用計(jì)算機(jī)去模擬、延伸和擴(kuò)展人的智能；如何把計(jì)算機(jī)用得更聰明，如何設(shè)計(jì)和建造具有高智能水平的計(jì)算機(jī)應(yīng)用系統(tǒng)。人工智能是相對(duì)于人類(lèi)智能而言的，它是采用人工的方法和技術(shù)來(lái)模擬、延伸和擴(kuò)展人類(lèi)智能行為的一門(mén)綜合學(xué)科。隨著計(jì)算機(jī)硬件和軟件突飛猛進(jìn)的發(fā)展、計(jì)算機(jī)速度的不斷提高、存儲(chǔ)容量的不斷擴(kuò)大、價(jià)格的不斷降低以及網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，許多原來(lái)無(wú)法完成的工作現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)，AI具備了更多的現(xiàn)實(shí)應(yīng)用的基礎(chǔ)，AI研究出現(xiàn)了新的。目前人工智能研究的3個(gè)熱點(diǎn)是：智能接口、數(shù)據(jù)挖掘、主體及多主體系統(tǒng)。

2.智能接口技術(shù)是研究如何使人們能夠方便自然地與計(jì)算機(jī)交流。數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過(guò)程。主體是具有信念、愿望、意圖、能力、選擇、承諾等心智狀態(tài)的實(shí)體，比對(duì)象的粒度更大，智能性更高，而且具有一定自主性。下一步就是模仿人類(lèi)右腦的模糊處理功能和整個(gè)大腦的并行化處理功能。人工神經(jīng)網(wǎng)絡(luò)是未來(lái)人工智能應(yīng)用的新領(lǐng)域，未來(lái)智能計(jì)算機(jī)的構(gòu)成，可能就是作為主機(jī)的馮．諾依曼型機(jī)與作為智能的人工神經(jīng)網(wǎng)絡(luò)的結(jié)合。研究表明：情感是智能的一部分，而不是與智能相分離的，因此人工智能領(lǐng)域的下一個(gè)突破可能在于賦予計(jì)算機(jī)情感能力。情感能力對(duì)于計(jì)算機(jī)與人的自然交往至關(guān)重要。

3.在人工智能中，這樣的領(lǐng)域包括語(yǔ)言處理、自動(dòng)定理證明、智能數(shù)據(jù)檢索系統(tǒng)、視覺(jué)系統(tǒng)、問(wèn)題求解、人工智能方法和程序語(yǔ)言以及自動(dòng)程序設(shè)計(jì)等。隨著計(jì)算機(jī)網(wǎng)絡(luò)的普及，特別是Internet的出現(xiàn)，各種計(jì)算機(jī)技術(shù)包括人工智能技術(shù)的廣泛應(yīng)用推動(dòng)著人機(jī)關(guān)系的重大變化。據(jù)日美等國(guó)未來(lái)學(xué)家的預(yù)測(cè)，人機(jī)關(guān)系正在迅速地從“以人為紐帶”的傳統(tǒng)模式向“以機(jī)為紐帶”的新模式轉(zhuǎn)變。人機(jī)關(guān)系的這一轉(zhuǎn)變將引起社會(huì)生產(chǎn)方式和生活方式的巨大變化，同時(shí)也向人工智能乃至整個(gè)信息技術(shù)提出了新的課題。這促使人工智能進(jìn)入第三個(gè)發(fā)展時(shí)期。在這個(gè)新的發(fā)展時(shí)期中，人工智能面臨一系列新的應(yīng)用需求。

三、人工智能在網(wǎng)絡(luò)技術(shù)中的應(yīng)用。

1.人工智能在網(wǎng)絡(luò)安全中的運(yùn)用。互聯(lián)網(wǎng)將千千萬(wàn)萬(wàn)的用戶(hù)聯(lián)系起來(lái)。極大地方便了人類(lèi)的生活。目前，威脅用戶(hù)個(gè)人資料安全的網(wǎng)絡(luò)隱患層出不窮。如果能將人工智能技術(shù)運(yùn)用到網(wǎng)絡(luò)安全領(lǐng)域，將大大提高計(jì)算機(jī)網(wǎng)絡(luò)性能，確保用戶(hù)隱私得到充分的保護(hù)。人工智能具有處理不確定性以及不可知性的能力、協(xié)作能力、處理非線(xiàn)性能力、學(xué)習(xí)、解釋以及推理能力等，這些能力均在網(wǎng)絡(luò)安全領(lǐng)域得到了廣泛的應(yīng)用利用統(tǒng)訓(xùn)、記憶、概率以及決策等智能方法對(duì)數(shù)據(jù)進(jìn)行甄別．達(dá)到訪問(wèn)控制目的的智能防火墻技術(shù)以及利用基于專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊識(shí)別、自治面向?qū)ο蠹夹g(shù)等開(kāi)發(fā)的入侵檢測(cè)技術(shù)有效阻止了病毒的入侵．保障r資源的完整性、保密性和可用性。

2.人工智能Agent技術(shù)推動(dòng)計(jì)算機(jī)網(wǎng)絡(luò)信息服務(wù)水平的提高。人工智能Agent技術(shù)的全稱(chēng)為人工智能技術(shù)。通過(guò)每個(gè)Agent所有的知識(shí)域庫(kù)處理新信息，并給予其解釋推理機(jī)制對(duì)周?chē)h(huán)境進(jìn)行判斷，當(dāng)一個(gè)Agent獲得一項(xiàng)任務(wù)．利用便捷的通訊網(wǎng)絡(luò)，實(shí)現(xiàn)各個(gè)之間的相互溝通，共同完成任務(wù)。人工智能Agent技術(shù)具有自主性、學(xué)習(xí)型、協(xié)作性、個(gè)性化、智能化以及社會(huì)性等特征。該技術(shù)的運(yùn)用使計(jì)算機(jī)能夠自動(dòng)執(zhí)行由人所分配的工作，大大改善了計(jì)算機(jī)的使用方式。促進(jìn)了計(jì)算機(jī)網(wǎng)絡(luò)信息服務(wù)水平的提高。

3.軟件方面，新的開(kāi)發(fā)工具不斷出現(xiàn)，使人工智能越來(lái)越方便地運(yùn)用于各種領(lǐng)域。硬件方面，性能更好、價(jià)格更低的人工智能芯片，如模糊芯片、神經(jīng)網(wǎng)絡(luò)芯片甚至“知識(shí)芯片”將不斷涌現(xiàn)，模糊計(jì)算機(jī)、神經(jīng)計(jì)算機(jī)等新一代計(jì)算機(jī)將出現(xiàn)，以代替在該領(lǐng)域的數(shù)字計(jì)算機(jī)，這無(wú)疑又將給人工智能的實(shí)際應(yīng)用帶來(lái)徹底革命。人工智能與計(jì)算機(jī)圖形學(xué)之間的相互結(jié)合和相互影響正在迅速地發(fā)展，新的智能自主圖形角色開(kāi)始普及到游戲、動(dòng)畫(huà)、多媒體、多用戶(hù)虛擬世界、電子商務(wù)和其他基于web的活動(dòng)領(lǐng)域。智能自主圖形角色建模是多方面努力的成果，從底層的幾何模型、物理模型，中間層的生物力學(xué)模型到高層的行為模型。

4.由于計(jì)算機(jī)芯片的微型化已接近極限。人們?cè)絹?lái)越寄希望于人工智能能夠帶動(dòng)全新的計(jì)算機(jī)技術(shù)的發(fā)展。目前至少有三種技術(shù)有可能引發(fā)新的革命，他們是光子計(jì)算機(jī)、量子計(jì)算機(jī)和生物計(jì)算機(jī)。根據(jù)推測(cè)，未來(lái)光子計(jì)算機(jī)的運(yùn)算速度可能比今天的超級(jí)計(jì)算機(jī)快1000到1萬(wàn)倍人工智能一直處于計(jì)算機(jī)技術(shù)的前沿，人工智能研究的理論和發(fā)現(xiàn)在很大程度上將決定計(jì)算機(jī)技術(shù)的發(fā)展方向。

四、“信息一系統(tǒng)一機(jī)制”方法論與人工智能的新進(jìn)展

1.發(fā)現(xiàn)“智能生成的共性核心機(jī)制”和“人工智能的機(jī)制模擬方法”，在研究中體會(huì)到，雖然人類(lèi)智能的定義相當(dāng)復(fù)雜。但是依然可表述如下。智能所模擬的，實(shí)際上只是人類(lèi)智能的“顯性智能”。于是，可把這個(gè)方法稱(chēng)為“人工智能的機(jī)制模擬方法”，或簡(jiǎn)稱(chēng)為“機(jī)制模擬方法”。這是在新的方法論啟迪下發(fā)現(xiàn)的人工智能模擬的新方法。

2.發(fā)現(xiàn)“知識(shí)的生態(tài)學(xué)結(jié)構(gòu)”根據(jù)“以信息觀、系統(tǒng)觀、機(jī)制觀為主要標(biāo)志的復(fù)雜信息系統(tǒng)科學(xué)方法論”，發(fā)現(xiàn)了智能生成的共性核心機(jī)制是“信息一知識(shí)一智能轉(zhuǎn)換”。

3.發(fā)現(xiàn)“機(jī)制模擬方法是人工智能的統(tǒng)一模擬方法”把人工智能的機(jī)制模擬方法“信息一知識(shí)一智能轉(zhuǎn)換”與知識(shí)的生態(tài)學(xué)系統(tǒng)“經(jīng)驗(yàn)知識(shí)一規(guī)范知識(shí)一常識(shí)知識(shí)轉(zhuǎn)換”相結(jié)合，就發(fā)現(xiàn)：機(jī)制模擬方法可有四種具體的工作模式：

模式A：信息一經(jīng)驗(yàn)知識(shí)一經(jīng)驗(yàn)型智能策略轉(zhuǎn)換(人工種經(jīng)網(wǎng)絡(luò)是它的特例)；

模式B：信息一規(guī)范知識(shí)一規(guī)范型智能策略轉(zhuǎn)換(物理符號(hào)系統(tǒng)是它的特例)；

模式C：信息一常識(shí)知識(shí)一常識(shí)型智能策略轉(zhuǎn)換(感知?jiǎng)幼飨到y(tǒng)是它的特例)；

模式D：信息一奉能知識(shí)一本能型智能策略轉(zhuǎn)換。

不難證明，基于結(jié)構(gòu)模擬的人工神經(jīng)網(wǎng)絡(luò)方法就是機(jī)制模擬方法的模式A，它們都是利用經(jīng)驗(yàn)知識(shí)生成經(jīng)驗(yàn)型智能策略。基于功能模擬的物理符號(hào)系統(tǒng)方法就是機(jī)制模擬方法的模式B，它們都是利用規(guī)范知識(shí)生成規(guī)范型智能策略。把原先看不見(jiàn)的本質(zhì)聯(lián)系揭示出來(lái)，這就是先進(jìn)方法論的威力。

五、結(jié)束語(yǔ)

綜上所述，我國(guó)的人工智能的科學(xué)技術(shù)已經(jīng)有了很大的突破和創(chuàng)新，科學(xué)技術(shù)與計(jì)算機(jī)網(wǎng)絡(luò)在人工智能上的應(yīng)用和發(fā)展是顯而易見(jiàn)的。因此，相信只要在我國(guó)科學(xué)家的不斷探索和研究下，會(huì)有更加廣泛的人工智能的應(yīng)用，我國(guó)的各個(gè)領(lǐng)域的生產(chǎn)生活也會(huì)更加的智能化和系統(tǒng)化。

參考文獻(xiàn)：

[l]蔡自興。徐光佑．人工智能及其應(yīng)用．北京：清華大學(xué)出版社，2012.

[2]劉樹(shù)玲．基于Internet的草坪病害診斷專(zhuān)家系統(tǒng)．華中農(nóng)業(yè)大學(xué)．2013.

[3]廖桂平．棉花病蟲(chóng)草害診斷與防護(hù)專(zhuān)家系統(tǒng)．湖南農(nóng)業(yè)大學(xué)．2012.

神經(jīng)網(wǎng)絡(luò)情感分析范文6

關(guān)鍵詞： 情感分析； 情感傾向性； 詞典擴(kuò)充； 電力客服工單； 主動(dòng)服務(wù)

中圖分類(lèi)號(hào)： TN915.853?34； V249 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）11?0163?04

Dictionary expansion based sentiment tendency analysis of power customer service order

GU Bin， PENG Tao， CHE Wei

（State Grid Jiangsu Electric Power Company， Nanjing 210000， China）

Abstract： In order to improve the customer satisfaction and active service consciousness of the electric power enterprises effectively， the textual characteristic of the power customer service order is combined to construct the sentiment analysis model of the power customer service order. The keywords of the service order are extracted according to TF?IDF thought. The word2vec training is used to get the word vector of each word. The cosine similarity is calculated to expand the high similarity field vocabulary to the sentiment dictionary. The service order sentiment analysis and text classification are performed. The validity of the method is verified with experimental analysis. The results show that， in comparison with the original sentiment dictionary， the method of dictionary expansion and service order sentiment tendency analysis is superior， has higher accuracy， and can provide a certain reference significance for the customer relation management of power enterprise.

Keywords： sentiment analysis； sentiment tendency； dictionary expansion； power customer service order； active service

0 引 言

隨著電力體制改革的逐步深化，配電市場(chǎng)競(jìng)爭(zhēng)不斷加劇，迫切需要供電企業(yè)改變傳統(tǒng)的思維方式和工作模式，進(jìn)一步樹(shù)立市場(chǎng)化服務(wù)意識(shí)，從客戶(hù)需求出發(fā)，挖掘客戶(hù)的潛在需求和內(nèi)在價(jià)值，從而提升客戶(hù)滿(mǎn)意度和運(yùn)營(yíng)效益。作為與客戶(hù)交流、溝通的重要窗口，電力企業(yè)95598客服系統(tǒng)記錄了海量的客戶(hù)信息，若能徹底挖掘客服工單中的客戶(hù)特征、情感信息并了解客戶(hù)的關(guān)注焦點(diǎn)，對(duì)電力企業(yè)和客戶(hù)都將具有十分重要的意義[1]。

電力客服工單情感傾向性分析可以有效地發(fā)掘客戶(hù)情感信息和需求，可根據(jù)客戶(hù)情感傾向性識(shí)別潛在的投訴客戶(hù)，可根據(jù)反饋信息判別某項(xiàng)業(yè)務(wù)的實(shí)施效果等。針對(duì)文本情感傾向性分析，現(xiàn)有的理論研究比較側(cè)重于文本特征提取以及采用機(jī)器學(xué)習(xí)方法對(duì)文本進(jìn)行分類(lèi)，但是基于具體業(yè)務(wù)特征進(jìn)行情感詞典擴(kuò)充的研究還比較少，導(dǎo)致情感傾向性計(jì)算往往會(huì)存在一定的差異，因此，根據(jù)電力行業(yè)的特c，進(jìn)行客戶(hù)服務(wù)工單情感詞典擴(kuò)充及情感傾向性的研究非常有必要。

情感分析是指利用文本挖掘、機(jī)器學(xué)習(xí)技術(shù)分析挖掘隱藏在文本中的情感信息，并將其分類(lèi)為積極情感態(tài)度和消極情感態(tài)度[2]。目前，國(guó)內(nèi)外關(guān)于文本情感傾向性分析已經(jīng)進(jìn)行了較多的研究工作[3?7]，文獻(xiàn)[3]基于情感詞間的點(diǎn)互信息和上下文約束，提出一種兩階段的領(lǐng)域情感詞典構(gòu)建算法，提升了情感詞情感傾向的識(shí)別能力。文獻(xiàn)[4]研究了基于矩陣投影（MP）和歸一化向量（NLV）的文本分類(lèi)算法，實(shí)現(xiàn)對(duì)商品評(píng)價(jià)的情感分析，不僅可以有效識(shí)別商品評(píng)論情感性?xún)A向，而且提升了識(shí)別效率。文獻(xiàn)[5]將詞級(jí)別向量和字級(jí)別向量作為原始特征，采用卷積神經(jīng)網(wǎng)絡(luò)提取文本特征并進(jìn)行情感傾向性分析，結(jié)果表明字級(jí)別向量可取得較高的準(zhǔn)確率。文獻(xiàn)[6]提出一種詞圖模型的方法，利用PageRank算法得到情感詞的褒貶權(quán)值，并將其作為條件隨機(jī)場(chǎng)模型特征預(yù)測(cè)情感詞傾向，提升了具體語(yǔ)境下預(yù)測(cè)的準(zhǔn)確性，但是針對(duì)文本數(shù)量較大的情況準(zhǔn)確率較低。文獻(xiàn)[7]結(jié)合句子結(jié)構(gòu)上下文語(yǔ)義關(guān)聯(lián)信息，提出一種基于深度神經(jīng)網(wǎng)絡(luò)的跨文本粒度情感分類(lèi)模型，提升了分類(lèi)準(zhǔn)確率，但該方法只適應(yīng)于特定領(lǐng)域，泛化能力較低。

鑒于以上研究現(xiàn)狀，本文以電力客戶(hù)服務(wù)領(lǐng)域文本特征為突破口，構(gòu)建了電力客服工單情感分析模型，基于工單關(guān)鍵詞提取對(duì)原始的情感詞典進(jìn)行擴(kuò)充，并對(duì)工單情感傾向性進(jìn)行分析，最后，通過(guò)算例應(yīng)用驗(yàn)證了本文所提方法的有效性。

1 相關(guān)工作

1.1 情感分類(lèi)

情感分類(lèi)技術(shù)的主要目標(biāo)是基于文本數(shù)據(jù)識(shí)別用戶(hù)所表達(dá)的情感信息，并將文本數(shù)據(jù)分為正類(lèi)和負(fù)類(lèi)。當(dāng)前，針對(duì)情感分類(lèi)的研究，主要從監(jiān)督學(xué)習(xí)、基于規(guī)則方法、跨領(lǐng)域情感分析等方面展_研究，與此同時(shí)，針對(duì)文本特征的提取和特征情感判別是情感分類(lèi)研究的兩個(gè)關(guān)鍵問(wèn)題。

1.2 Word2vec介紹

word2vec是Google在2013年開(kāi)源的一款將詞表征為實(shí)數(shù)值向量（word vector）的高效工具，采用的模型有CBOW（Continuous Bag?of?Words，即連續(xù)的詞袋模型）和Skip?Gram兩種，word2vec采用的是Distributed Representation的詞向量表示方式，經(jīng)過(guò)對(duì)輸入集數(shù)據(jù)進(jìn)行訓(xùn)練，可以實(shí)現(xiàn)將文本詞匯轉(zhuǎn)換為維空間向量，然后基于空間向量相似度來(lái)表達(dá)文本語(yǔ)義相似度，模型輸出結(jié)果可用于自然語(yǔ)言處理領(lǐng)域相關(guān)工作，比如文本聚類(lèi)、詞典擴(kuò)充、詞性分析等。

word2vec生成詞向量的基本思想來(lái)源于NNLM（Neural Network Language Model）模型，其采用一個(gè)三層神經(jīng)網(wǎng)絡(luò)構(gòu)建語(yǔ)言模型，假設(shè)某個(gè)詞的出現(xiàn)只與前個(gè)詞相關(guān)，其原理示意圖如圖1所示。

圖1中，最下方的為前個(gè)輸入詞，并根據(jù)其預(yù)測(cè)下一個(gè)詞每個(gè)輸入詞被映射為一個(gè)向量，為詞語(yǔ)的詞向量。網(wǎng)絡(luò)的第一層（輸入層）為輸入詞語(yǔ)組成的維向量網(wǎng)絡(luò)第二層（隱藏層）計(jì)算為偏置因子，使用激活函數(shù)tanh；網(wǎng)絡(luò)第三層（輸出層）包含個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)表示下一詞的未歸一化log概率，并使用softmax激活函數(shù)將輸出值歸一化，最后使用隨機(jī)梯度下降法對(duì)模型進(jìn)行優(yōu)化。

圖1 NNLM原理模型圖

模型的目標(biāo)函數(shù)為：

需要滿(mǎn)足的約束條件為：

2 電力客服工單情感分析模型

本文以某電力公司客服工單數(shù)據(jù)為研究對(duì)象，在深入理解電力業(yè)務(wù)及工單文本語(yǔ)義特點(diǎn)的基礎(chǔ)上，建立了一種電力客服工單情感分析模型。首先，在進(jìn)行文本預(yù)處理的基礎(chǔ)上，對(duì)文本進(jìn)行分詞處理并且完成關(guān)鍵詞提取；然后，采用word2vec訓(xùn)練工單數(shù)據(jù)，并基于關(guān)鍵詞進(jìn)行情感詞典擴(kuò)充，構(gòu)建電力客服領(lǐng)域?qū)Ｓ们楦性~典；最后，進(jìn)行工單情感傾向性分析。

2.1 工單文本預(yù)處理

由于工單文本數(shù)據(jù)中存在大量?jī)r(jià)值含量較低甚至沒(méi)有價(jià)值意義的數(shù)據(jù)，在進(jìn)行分詞、情感分析中會(huì)對(duì)結(jié)果產(chǎn)生較大的影響，那么在文本挖掘之前就必須先進(jìn)行文本預(yù)處理，去除大量沒(méi)有挖掘意義的工單數(shù)據(jù)。工單文本預(yù)處理工作主要包括：刪除未標(biāo)注業(yè)務(wù)類(lèi)型數(shù)據(jù)、分句處理、文本去重、短句刪除等。

分句處理：將工單數(shù)據(jù)處理成以句子為最小單位，以句尾標(biāo)點(diǎn)符號(hào)為標(biāo)志分割，包括“，”，“。”，“；”，“！”等符號(hào)。

文本去重：就是去除工單數(shù)據(jù)中重復(fù)的部分，常用的方法有觀察比較刪除法、編輯距離去重法、Simhash算法去重等。

短句刪除：刪除過(guò)短的文本，如“還可以”，“非常好”等，設(shè)置文本字符數(shù)下限為10個(gè)國(guó)際字符。

2.2 電力客戶(hù)服務(wù)領(lǐng)域情感詞典構(gòu)建

2.2.1 分詞

本文采用python的jieba分詞工具對(duì)數(shù)據(jù)集進(jìn)行分詞，并完成詞性標(biāo)注和去除停用詞，由于情感分析通常由名詞、形容詞、副詞和連詞等反映出來(lái)，因此刪除詞性為動(dòng)詞的詞匯。jieba中文分詞工具包包含三種分詞模式：精確模式、全模式和搜索引擎模式，綜合分詞效果及后文的研究，本文選擇精確模式進(jìn)行分詞，三種模式的分詞效果如表1所示。

另外，在實(shí)際的分詞過(guò)程中，出現(xiàn)了個(gè)別分詞結(jié)果與實(shí)際的語(yǔ)義不符，原因是字典中缺少相關(guān)的專(zhuān)有名詞，或者是這些詞語(yǔ)的詞頻較低，比如“客戶(hù)/咨詢(xún)/抄/表示/數(shù)等/信息”，“客戶(hù)/查戶(hù)/號(hào)”，“變壓器/重/過(guò)載”，“查/分/時(shí)/電價(jià)”等，因此，需要對(duì)原有詞典進(jìn)行更新。python中采用jieba.load_userdict（dict.txt）語(yǔ)句添加自定義詞典，其中dict.txt是保存字典內(nèi)容的文件，其格式為每一行分三部分：一部分為詞語(yǔ)；另一部分為詞頻；最后為詞性（可省略），用空格隔開(kāi)。

2.2.2 關(guān)鍵詞提取

構(gòu)建電力客戶(hù)服務(wù)領(lǐng)域?qū)偾楦性~典，需要盡可能保證領(lǐng)域詞典的多樣性，關(guān)鍵詞的提取要求一方面能夠盡量反應(yīng)出這個(gè)特征項(xiàng)所屬的類(lèi)別，另一方面能夠把自身屬于的類(lèi)別與其他類(lèi)別有效地區(qū)分開(kāi)來(lái)，依據(jù)此原理，本文采用TF?IDF思想進(jìn)行電力客戶(hù)服務(wù)領(lǐng)域關(guān)鍵詞的提取，關(guān)鍵詞選取的權(quán)重決定了情感詞典的多樣性，為下文情感詞典的擴(kuò)充做好基礎(chǔ)，算法原理如下。

將工單文檔和特征項(xiàng)構(gòu)建成二維矩陣，各條工單的特征向量可表示為：

式中：表示第個(gè)工單中第個(gè)特征中的詞頻。則與為：

式中：表示語(yǔ)料庫(kù)中的文件總數(shù)；表示包含詞語(yǔ)的文件總數(shù)，防止分母為零的情況，通常對(duì)分母做+1的處理。因此，的計(jì)算公式為：

實(shí)際應(yīng)用中，依據(jù)維度的大小確定相應(yīng)的權(quán)重大小，這樣就形成了代表語(yǔ)料特征的關(guān)鍵詞集。

2.2.3 基于word2vec進(jìn)行情感詞典擴(kuò)充

隨著經(jīng)濟(jì)技術(shù)的發(fā)展及客戶(hù)文化的差異，不同的客戶(hù)通常使用不同的詞匯描述同一個(gè)對(duì)象特征，且電力行業(yè)中存在許多專(zhuān)用詞匯，同樣也表達(dá)了一定情感，但這些詞脫離于現(xiàn)有的情感詞典，因此，有必要對(duì)現(xiàn)有的情感詞典進(jìn)行擴(kuò)充，進(jìn)而提升工單情感傾向性分析的準(zhǔn)確性[8]。選取中國(guó)知網(wǎng)情感詞集和大連理工大學(xué)林鴻飛教授整理和標(biāo)注的中文情感詞匯本體庫(kù)作為基礎(chǔ)的情感詞典，然后依據(jù)權(quán)重較大的關(guān)鍵詞對(duì)原有詞典進(jìn)行擴(kuò)充[9]。基于上文電力客戶(hù)服務(wù)工單中提取的關(guān)鍵詞，采用word2vec工具對(duì)工單數(shù)據(jù)集進(jìn)行訓(xùn)練，根據(jù)CBOW模型或Skip?Gram模型訓(xùn)練出每個(gè)詞的詞向量，并通過(guò)計(jì)算余弦相似度得到文本語(yǔ)義上的相似度，并將相似度較高的詞語(yǔ)加入到情感詞典中。

依據(jù)上文分詞后得到的工單文本數(shù)據(jù)，采用Linux Version2.6環(huán)境對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，操作命令如下：

./word2vec ?train data95598.txt ?output vectors_95598data.bin ?cbow 0 ?size 200 ?winodw 5 ?negative 0 ?hs 1 ?sample le?3 threads 12 ?binary 1

其中，data95598.txt為輸入數(shù)據(jù)集；vectors_95598data.bin為模型輸出文件；采用Skip?Gram模型進(jìn)行訓(xùn)練，詞向量維度設(shè)置為200；訓(xùn)練窗口大小設(shè)置為5；-sample表示采樣的閾值，訓(xùn)練結(jié)果采用二進(jìn)制方式存儲(chǔ)。這樣，得到的模型文件中就包含了每個(gè)詞的詞向量。

采用余弦相似度計(jì)算關(guān)鍵詞的相似詞，即基于生成的詞向量計(jì)算兩個(gè)維向量的相似度，因?yàn)閣ord2vec本身就是基于上下文語(yǔ)義生成的詞向量，因此，余弦值越大，表明兩個(gè)詞語(yǔ)的語(yǔ)義越相似。向量與的余弦計(jì)算公式如下：

通過(guò)distince命令計(jì)算輸入詞與其他詞的余弦相似度，經(jīng)過(guò)排序返回相似詞列表，再經(jīng)過(guò)人工篩選，將這些詞加入到原有情感詞典中，實(shí)現(xiàn)對(duì)原有情感詞典的擴(kuò)充。

2.3 工單情感傾向性分析

工單情感傾向性分析是基于構(gòu)建的情感詞典，計(jì)算每個(gè)客服工單的情感分值，從而判斷工單的情感傾向性。通過(guò)上文處理，每一個(gè)客服工單都可以被分割成一個(gè)個(gè)子句片段，表示為每個(gè)子句片段由一系列分詞后的詞語(yǔ)構(gòu)成，提取每個(gè)句子的情感詞、否定詞等，表示為依據(jù)情感詞典中給定詞的極性值計(jì)算每個(gè)子句的情感值，分別算每個(gè)句子的正向和負(fù)向情感分值，計(jì)算公式如下：

式中：SenSum表示某個(gè)客服工單的情感分值；表示第個(gè)子句中第個(gè)正向情感詞的極性值；表示第個(gè)子句中第個(gè)負(fù)向情感詞的極性值。

在否定子句中，當(dāng)為偶數(shù)時(shí)，否定子句情感為正；當(dāng)為奇數(shù)時(shí)，否定子句情感極性為負(fù)。對(duì)所有的子句情感分值求和并求均值，就得到了整個(gè)客服工單的情感值，進(jìn)而判斷客服工單的情感傾向性，若SenSum為正，表示工單情感為正向；否則，工單情感為負(fù)向。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

本文的實(shí)驗(yàn)環(huán)境基于Linux系統(tǒng)，采用python語(yǔ)言進(jìn)行算法的實(shí)現(xiàn)，抽取某電力公司95598客服工單數(shù)據(jù)作為研究對(duì)象，運(yùn)用jieba包進(jìn)行中文分詞處理，并采用word2vec訓(xùn)練數(shù)據(jù)生成詞向量及擴(kuò)充情感詞典。由于工單數(shù)據(jù)是按照業(yè)務(wù)類(lèi)型生成的，因此選取業(yè)務(wù)類(lèi)型為表?yè)P(yáng)的工單作為正類(lèi)，選取業(yè)務(wù)類(lèi)型為投訴的作為負(fù)類(lèi)，其中，正類(lèi)和負(fù)類(lèi)數(shù)據(jù)比例為21，共得到20 000條數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集，隨后進(jìn)行情感傾向性分析，隨機(jī)選擇70%的數(shù)據(jù)作為訓(xùn)練集，30%的數(shù)據(jù)作為測(cè)試集。

3.2 評(píng)價(jià)指標(biāo)

當(dāng)前針對(duì)文本分類(lèi)效果評(píng)估有許多方法，本文選擇準(zhǔn)確率（precision）、召回率（recall）和值進(jìn)行文本情感分類(lèi)效果的評(píng)估，準(zhǔn)確率是對(duì)分類(lèi)精確性的度量，召回率是對(duì)分類(lèi)完全性的度量，值越大說(shuō)明分類(lèi)效果越好，準(zhǔn)確率和召回率是一組互斥指標(biāo)，值是將二者結(jié)合的一個(gè)度量指標(biāo)，值越大，分類(lèi)效果越好，并將通過(guò)本文情感分析模型得到的結(jié)果與業(yè)務(wù)員標(biāo)注的類(lèi)型做對(duì)比分析。它們的計(jì)算公式如下：

3.3 實(shí)驗(yàn)結(jié)果及分析

本文基于抽取到的客服工單數(shù)據(jù)，結(jié)合設(shè)計(jì)的電力客服工單情感分析模型，實(shí)現(xiàn)對(duì)電力客戶(hù)服務(wù)領(lǐng)域情感詞典的擴(kuò)充，并基于構(gòu)建的電力客服領(lǐng)域?qū)僭~典進(jìn)行工單情感傾向性分析，70%的數(shù)據(jù)用于訓(xùn)練word2vec并進(jìn)行情感詞典的擴(kuò)充，30%的數(shù)據(jù)用于測(cè)試工單情感分類(lèi)的準(zhǔn)確性。測(cè)試集共包含工單數(shù)6 000條，其中正類(lèi)工單3 895條，負(fù)類(lèi)工單2 105條。將采用本文情感分析模型得到的結(jié)果與原始基礎(chǔ)情感詞典得到的結(jié)果進(jìn)行對(duì)比分析，見(jiàn)表2。

由表2可知，采用本文構(gòu)建的電力客服工單詞典針對(duì)正向和負(fù)向的情感詞都有較高的準(zhǔn)確率、召回率和值，由此可知，本文設(shè)計(jì)的電力客服工單情感分析模型是合理的，且具有明顯的性能優(yōu)勢(shì)。

4 結(jié) 語(yǔ)

本文設(shè)計(jì)了一種電力客服工單情感分析模型，構(gòu)建了電力客服領(lǐng)域情感專(zhuān)用詞典并進(jìn)行工單情感傾向性分析。采用word2vec工具對(duì)采集到的數(shù)據(jù)進(jìn)行訓(xùn)練，并用測(cè)試集數(shù)據(jù)對(duì)本文提出的模型進(jìn)行驗(yàn)證分析，結(jié)果表明，本文所提方法具有一定的合理性和可行性，可為電力企業(yè)客戶(hù)關(guān)系管理提供一定的參考意義，促進(jìn)企業(yè)客戶(hù)滿(mǎn)意度及運(yùn)營(yíng)效益的提升。此外，本文主要研究了基于構(gòu)建的電力客服專(zhuān)用情感詞典進(jìn)行客戶(hù)情感傾向性分析，但是對(duì)于無(wú)監(jiān)督性學(xué)習(xí)方法情感傾向性分析以及情感強(qiáng)度的分析還有待進(jìn)一步研究。

參考文獻(xiàn)

[1] 李勝宇，高俊波，許莉莉.面向酒店評(píng)論的情感分析模型[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（1）：227?231.

[2] SINGH VK， PIRYANI R， UDDIN A， et al. Sentiment analysis of movie reviews： a new feature?based heuristic for aspect?level sentiment classification [C]// Proceedings of 2013 International Multi?Conference on Automation， Computing， Communication， Control and Compressed Sensing （iMac4s）. Kottayam： IEEE， 2013： 712?717.

[3] 郗亞輝.產(chǎn)品評(píng)論中領(lǐng)域情感詞典的構(gòu)建[J].中文信息學(xué)報(bào)，2016，30（5）：136?144.

[4] 鐘將，楊思源，孫啟干.基于文本分類(lèi)的商品評(píng)價(jià)情感分析[J].計(jì)算機(jī)應(yīng)用，2014，34（8）：2317?2321.

[5] 劉龍飛，楊亮，張紹武，等.基于卷積神經(jīng)網(wǎng)絡(luò)的微博情感傾向性分析[J].中文信息學(xué)報(bào)，2015，29（6）：159?165.

[6] 黃挺，姬東鴻.基于圖模型和多分類(lèi)器的微博情感傾向性分析[J].計(jì)算機(jī)工程，2015，41（4）：171?175.

[7] 劉金碩，張智.一種基于聯(lián)合深度神經(jīng)網(wǎng)絡(luò)的食品安全信息情感分類(lèi)模型[J].計(jì)算機(jī)科學(xué)，2016，43（12）：277?280.