XiaoMi-AI文件搜索系统
World File Search Systemsentiment
受人类情感感知机制启发的情感导向预训练探索
深度卷积神经网络（DCNN）的预训练在视觉情绪分析（VSA）领域起着至关重要的作用。大多数提出的方法都采用在大型物体分类数据集（即 ImageNet）上预训练的现成的主干网络。虽然与随机初始化模型状态相比，它在很大程度上提高了性能，但我们认为，仅在 ImageNet 上进行预训练的 DCNN 可能过于注重识别物体，而未能提供情绪方面的高级概念。为了解决这个长期被忽视的问题，我们提出了一种基于人类视觉情绪感知（VSP）机制的面向情绪的预训练方法。具体而言，我们将 VSP 的过程分为三个步骤，即刺激接受、整体组织和高级感知。通过模仿每个 VSP 步骤，我们通过设计的情绪感知任务分别对三个模型进行预训练，以挖掘情绪区分的表示。此外，结合我们精心设计的多模型融合策略，从每个感知步骤中学习到的先验知识可以有效地转移到单个目标模型中，从而获得显着的性能提升。最后，我们通过大量实验验证了我们提出的方法的优越性，涵盖了从单标签学习（SLL）、多标签学习（MLL）到标签分布学习（LDL）的主流 VSA 任务。实验结果表明，我们提出的方法在这些下游任务中取得了一致的改进。我们的代码发布在 https://github.com/tinglyfeng/sentiment_pretraining 。
agcl：方面图构建和学习方面情感分类
关于方面情感策略（ALSC）的先前研究强调了建模方面和环境之间的相互关系，但忽略了方面本身作为基本领域知识的关键作用。为此，我们提出了AGCL，这是一种新颖的A Spect G Raph C Onstruction和L Charning方法，旨在为模型提供精心调整的方面信息，以增强其任务认可能力。agcl的关键创新位于方面图构造（AGC）和方面图（AGL）中，其中AGC可以利用内在的方面连接来构建DO-MAINTEAK图形，然后AGL迭代地更新引入的方面图以增强其领域的专业知识，从而使其更适合ALSC任务。因此，此域As-pect图可以用作连接未见方面与可见方面的桥梁，从而增强了模型的概括能力。的三个广泛使用数据集的结果证明了方面信息对ALSC的重要性，并突出了AGL在方面学习中的优越性，超过了最新的基线。代码可从https：//github.com/jian-projects/agcl获得。
通过策略互动，反疫苗情绪在社交网络中持续存在
疫苗接种是控制传染病传播的主要干预措施。这种干预措施需要一定的疫苗接种率（称为“群体免疫”）才能有效。然而，有人担心，由于人们对疫苗的犹豫和反对程度日益加深，群体免疫可能无法实现。造成这种情况的主要原因之一是与同伴不一致的代价。我们使用网络协调博弈的框架来研究反疫苗情绪在人群中的持续性。我们将其扩展为包含与同伴保持一致的压力、群体免疫和疫苗接种好处等对立的力量。我们研究此类博弈中的均衡结构以及未接种疫苗节点的特征。我们还研究了 Stackelberg 策略，以减少具有反疫苗情绪的节点数量。最后，我们在不同类型的现实世界社交网络上评估了我们的结果。
使用 Vision Transformers 增强 SEED-IV 数据集上的情绪分析：一项比较研究
本文介绍了一种利用深度学习模型（特别是视觉变换器 (ViT) 模型）进行情绪分类的新方法，用于分析脑电图 (EEG) 信号。我们的研究实施了一种双特征提取方法，利用功率谱密度和差分熵来分析 SEED IV 数据集。这种方法对四种不同的情绪状态进行了详细分类。最初设计用于图像处理的 ViT 模型已成功应用于 EEG 信号分析。它表现出色，测试准确率达到 99.02%，方差很小。值得注意的是，它在这方面的表现优于 GRU、LSTM 和 CNN 等传统模型。我们的研究结果表明，ViT 模型在准确识别 EEG 数据中存在的复杂模式方面具有很高的有效性。具体而言，该模型的准确率和召回率超过 98%，而 F1 分数估计约为 98.9%。该研究的结果不仅证明了基于变压器的模型在分析认知状态方面的有效性，而且还表明它们在改善人机交互系统方面具有巨大的潜力。
中国经济型酒店在线住客评论的细粒度情绪分析
作者简介 Jiaqi Luo 博士（ORCID ID：https://orcid.org/0000-0001-8961-505X）是华东师范大学经济与管理学院旅游管理系的讲师。她的研究兴趣包括旅游与酒店营销、旅游大数据和博彩旅游。她曾在《旅游管理》、《当代酒店管理国际期刊》和《目的地营销与管理期刊》等主要旅游和酒店学期刊上发表过文章。 Songshan (Sam) Huang 博士（ORCID ID：https://orcid.org/0000-0003-4990-2788）是伊迪斯科文大学商学院旅游和服务营销研究教授。他的研究兴趣包括游客行为、目的地营销、导游以及各种中国旅游和酒店学问题。他在主要旅游和酒店学期刊上发表了大量关于中国游客行为和中国旅游和酒店学问题的文章，包括《旅游管理》、《旅游研究期刊》和《酒店管理国际期刊》。王仁武，博士，华东师范大学经济与管理学院信息管理系副教授。他的研究兴趣包括数据分析和数据挖掘、机器学习和深度学习。资助详情：本研究由国家社会科学基金资助
审视 Twitter 上的疫苗情绪和 COVID-19 大流行期间的当地疫苗部署情况
摘要：了解当地公众对接种疫苗的态度对于成功的疫苗接种运动至关重要。社交媒体平台可能有助于揭示当地传染病爆发期间的疫苗情绪，以及线下当地活动是否支持疫苗推广工作。通信基础设施理论 (CIT) 是圣地亚哥地区案例研究的指导框架，该研究考察了 COVID-19 大流行期间当地公众在 Twitter 上表达的对疫苗的情绪。我们对 2020 年 5 月至 2021 年 3 月收集的 187,349 条推文进行了情绪分析（包括积极性和主观性），并研究了情绪与当地疫苗部署的对应关系。2020 年 11 月和 12 月（52.9%）的大多数推文表达了积极情绪，并与线下当地活动的公告相吻合，这些公告表明圣地亚哥即将部署 COVID-19 疫苗。在所有月份中，推文大多保持客观（从未低于 63%）。在 CIT 方面，考虑网络空间中故事讲述网络的多个层次，并研究 Twitter 上关于疫苗的情绪，可能有助于学者探索传播行动背景，并培养积极的社区态度，以改善与疫苗有关的健康行动领域。在开发和部署新疫苗期间实时分析本地推文可能有助于监测当地公众的反应并指导社区免疫接种的推广。
使用Twitter情感分析
摘要 - 经济，政治和社会因素使股票价格预测具有挑战性且无法预测。本文着重于为股票价格预测开发人工智能（AI）模型。该模型利用了三个领域的LSTM和XGBoost技术：Apple，Google和Tesla。它旨在检测将情绪分析与历史数据相结合的影响，以了解人们的意见可以改变股票市场。提出的模型使用自然语言处理（NLP）技术计算情感分数，并根据日期将它们与历史数据结合在一起。RMSE，R²和MAE指标用于评估所提出模型的性能。与单独的历史数据相比，情感数据的整合已显示出显着的改善，并获得了更高的准确率。这提高了模型的准确性，并为投资者和金融部门提供了有价值的信息和见解。Xgboost和LSTM证明了它们在股票价格预测中的有效性； XGBoost优于LSTM技术。
具有林德布拉德主方程和干扰测量的量子启发语言模型用于情绪分析
量子启发模型在许多下游语言任务（如问答和情感分析）中表现出色。然而，最近的模型主要关注嵌入和测量操作，忽略了量子演化过程的重要性。在这项工作中，我们提出了一种新型的量子启发神经网络 LI-QiLM，它集成了林德布拉德主方程 (LME) 来建模演化过程和干涉测量过程，提供更多的物理意义以增强可解释性。我们对六个情感分析数据集进行了全面的实验。与传统神经网络、基于 Transformer 的预训练模型和量子启发模型（如 CICWE-QNN 和 ComplexQNN）相比，所提出的方法在六个常用的情感分析数据集上表现出卓越的准确率和 F1 分数。额外的消融测试验证了 LME 和干涉测量的有效性。
社交媒体文本中情感分类的机器学习算法的比较分析
在社交媒体时代，情感分析对于理解公众舆论至关重要。本研究对社交媒体文本中情感分类的五种机器学习算法进行了比较分析：逻辑回归，支持向量机（SVM），随机森林，天真的贝叶斯和梯度增强。使用三个月内收集的100,000条推文的数据集，我们评估了这些算法在将情感分类为正，负或中性的表现。数据经过了广泛的预处理，包括使用SMOTE清洁，归一化和解决类不平衡。我们的结果表明，逻辑回归和SVM的总体准确性为86.22％，表明所有情感类别的表现都平衡。随机森林紧随其后的精度为82.59％，而幼稚的贝叶斯和梯度提升的表现较低，但仍然值得注意的性能分别为70.45％和69.96％。所有模型在分类负面情绪方面均表现出挑战，这表明了潜在的改进领域。该研究提供了对每种算法的优势和劣势的见解，为从业人员选择适当的情感分析任务的指导提供了指导。我们的发现有助于将机器学习应用于社交媒体交流的快速发展的景观中的复杂的情感分析任务。
CTFN：利用耦合翻译融合网络进行多模态情绪分析的分层学习
多模态情感分析是一个具有挑战性的研究领域，它致力于多种异构模态的融合。主要的挑战是在多模态融合过程中会出现一些模态缺失的情况。然而，现有的技术需要所有模态作为输入，因此对预测时间上的缺失模态很敏感。在本文中，耦合翻译融合网络（CTFN）首次被提出通过耦合学习来建模双向相互作用，确保了对缺失模态的鲁棒性。具体来说，我们提出了循环一致性约束来提高翻译性能，允许我们直接丢弃解码器而只包含 Transformer 的编码器。这可以帮助建立一个更轻量的模型。由于耦合学习，CTFN 能够并行进行双向跨模态互相关。基于 CTFN，进一步建立了分层架构以利用多个双向翻译，与传统翻译方法相比，可实现双多模态融合嵌入。此外，卷积块用于进一步突出这些翻译之间的显式交互。为了进行评估，我们在两个多模态基准上对 CTFN 进行了验证，并进行了广泛的消融研究。实验表明，所提出的框架实现了最先进的或通常具有竞争力的性能。此外，在考虑缺失模态时，CTFN 仍然保持稳健性。