文本大數(shù)據(jù)情感分析

定　價：￥35.00

作　者：	高凱，徐華，王九碩，岳重陽，高成亮
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302538943	出版時間：	2019-12-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內容簡介

　　借助人工智能相關技術，幫助人們方便、高效地利用網(wǎng)絡大數(shù)據(jù)信息，已成為當前IT業(yè)的研究熱點之一?！段谋敬髷?shù)據(jù)情感分析》介紹社交網(wǎng)絡等海量異構信息采集算法；對文本挖掘與自然語言處理中涉及到情感分析、微博情緒誘因分析、電商產(chǎn)品評價與意見挖掘等內容進行研究，并提供豐富的應用案例。

作者簡介

　　高凱，男，漢族，教授；博士畢業(yè)于上海交通大學計算機應用技術專業(yè)，省級重點學科“計算機軟件與理論”中“信息檢索與云計算”方向學術帶頭人，碩士研究生導師；中國計算機學會CCF高級會員，CCF計算機應用專委會常務委員，河北省京津冀大數(shù)據(jù)產(chǎn)業(yè)協(xié)會專委，河北省科技專家?guī)斐蓡T，石家莊市工業(yè)企業(yè)特派員；國外學術期刊International Journal of Computer Applications in Technology副主編，5th /6th /7th /8thInternational Conference on Modelling， Identification and Control程序委員會委員；主要研究方向為海量異構信息處理、大數(shù)據(jù)搜索與挖掘、自然語言處理、網(wǎng)絡信息檢索、社會計算等；近幾年出版了《大數(shù)據(jù)搜索與挖掘》、《信息檢索與智能處理》、《網(wǎng)絡信息檢索技術及搜索引擎系統(tǒng)開發(fā)》等學術專著，以及《大數(shù)據(jù)搜索與日志挖掘及可視化方案》、《Android 程序設計基礎教程》、《計算機專業(yè)英語》、《數(shù)據(jù)庫原理與應用》多部編著和規(guī)劃教材。

圖書目錄

第1章引言
第2章自然語言處理與應用綜述
2．1 概述
2．2 自然語言處理的主要研究方法
2．2．1 理性主義與經(jīng)驗主義方法
2．2．2 深度學習與預訓練方法及其在自然語言處理中的應用
2．3 自然語言處理的部分任務及應用
2．3．1 詞法分析
2．3．2 句法分析
2．3．3 命名實體識別與特征信息提取
2．3．4 文本摘要
2．3．5 機器翻譯
2．4 本章小結
參考文獻
第3章文本情感與情緒分析綜述
3．1 概述
3．2 文本情感分析
3．2．1 情感信息抽取
3．2．2 情感分類
3．2．3 立場分析
3．3 文本情緒分析
3．3．1 傳統(tǒng)的情緒分析方法
3．3．2 基于深度學習的情緒分析
3．4 本章小結
參考文獻
第4章面向微博文本的情緒及其誘因分析
4．1 總體技術路線
4．2 情緒模型
4．2．1 事件結果類
4．2．2 主體行為類
4．2．3 事件結果類和主體行為類的復合情緒
4．2．4 實體對象類
4．3 分析和提取情緒誘因事件
4．3．1 事件結果類的誘因事件分析與提取
4．3．2 主體行為類的誘因事件分析與提取
4．3．3 實體對象類的誘因事件分析與提取
4．4 情緒校驗與修正
4．5 基于貝葉斯概率模型的誘因成分分析
4．5．1 基于語料的情緒詞典構造
4．5．2 語言特征對情緒誘因的影響分析
4．5．3 基于貝葉斯概率模型的誘因比例計算
4．6 基于語言特征的情緒分類
4．6．1 詞性特征分析
4．6．2 句法結構特征分析
4．6．3 情緒詞與上下文的關系特征分析
4．6．4 特征降維
4．6．5 情緒分類
4．7 實驗與分析
4．7．1 實驗語料與測度說明
4．7．2 實驗與結果分析
4．8 本章小結
參考文獻
第5章面向話題評論的立場分析
5．1 概述
5．2 基于AATABiLSTM模型的用戶立場分析
5．2．1 基于詞向量的話題擴充方法
5．2．2 基于雙向LSTM與Attention的處理機制
5．2．3 實驗
5．3 基于遷移學習的新話題評論預測
5．3．1 跨領域遷移學習模型的組成、預訓練與預測
5．3．2 實驗與分析
5．4 本章小結
參考文獻
第6章文本表示及在情緒分類中的應用
6．1 概述
6．2 基于注意力機制的雙向LSTM的文本表示
6．2．1 輸入層
6．2．2 特征學習層
6．2．3 特征權重學習層
6．2．4 輸出層
6．2．5 實驗設計與結果分析
6．2．6 基于注意力權重可視化的不同詞性標簽與情緒類別間的關系
6．3 基于兩階注意力機制的文本表示
6．3．1 輸入層
6．3．2 特征學習層
6．3．3 特征權重學習層
6．3．4 實驗與分析
6．3．5 實例分析
6．4 基于注意力聚合網(wǎng)絡的文本表示
6．4．1 輸入層
6．4．2 特征學習層
6．4．3 特征權重學習層
6．4．4 實驗設計與結果分析
6．5 本章小結
參考文獻