基于深度神经网络模型的情感间相关性估计
计算与语言
2018-11-27 v1 机器学习
摘要
本文关注网络事件的情绪挖掘与情感相关性分析。尽管神经网络模型在文本信息挖掘方面贡献良多，但鲜有研究关注情感间相关性的分析。本文填补了情感计算与情感间相关性之间的空白。本文将社会情绪划分为六类：爱、喜悦、愤怒、悲伤、恐惧和惊讶。提出了两种用于情感计算的深度神经网络模型。收集了三个数据集——新闻文章的标题、正文和评论——涵盖了不同长度（长文本与短文本）的客观与主观文本。从每个数据集中提取三类特征：显式表达、隐式表达和字母字符。针对每类特征分析了两种模型的性能。关于愤怒（fn）和爱（gd）的解释存在争议现象。在主观文本中，其他情绪容易被视作愤怒。相比之下，在客观新闻正文与标题中，容易将文本视为由爱（gd）引起。这意味着，记者可能希望通过撰写新闻唤起爱的情绪，但在新闻发布后却引发了愤怒。该结果反映了情感的复杂性与不可预测性。
引用
@article{arxiv.1811.09755,
title = {Estimation of Inter-Sentiment Correlations Employing Deep Neural Network Models},
author = {Xinzhi Wang and Shengcheng Yuan and Hui Zhang and Yi Liu},
journal= {arXiv preprint arXiv:1811.09755},
year = {2018}
}