1,068
个编辑
更改
无编辑摘要
[[Category:Polling]]
[[Category:Polling]]
[[Category:待整理页面]]
[[Category:待整理页面]]
==编者推荐==
===集智课程===
[https://campus.swarma.org/course/1874 融合情绪心理学的情感智能计算]
使用网络的人经常被邀请与世界其他地方分享他们的观点和偏好，而这种基于Web的个人生成信息越来越多地被看作是为多个应用领域增加价值的数据源，而对其中的情感分析与计算变得越来越重要。为此，我们以文本数据为中心，以情绪生理理论和情绪认知理论为基础，利用知识学习与融合的方法，把情绪词典应用、情绪词嵌入学习、情绪认知推理等角度作为研究内容，探讨并验证了情绪心理与知识融合理论相结合的可能途径。
本课程中，我们以文本数据为中心探讨并验证了情绪心理与知识融合理论相结合的可能途径。
[https://campus.swarma.org/course/1063 情感分析（一）]
[[file:ab52760ebb4196d64d8c74dd87994ac6.png|thumb|right|200px|情感分析（一）讲师李嫣然。<br/>香港理工大学在读博士生，集智科学家社群成员，著名公众号"程序媛的日常" 的运营者之一，人称小S。<br/>研究方向为自然语言处理中的语义表达和语言生成，致力于利用深度学习、认知科学等相关领域的方法和成果探究人类语言习得和语言表达的奥秘。]]
如果一个人发表这样评论：“这个加湿器看起来不错，用起来差点”，该如何定义其对这款产品的情感?对类似问题的分析，需要用到细粒度情感分析的方法。基于属性的情感分析是一种细粒度的情感分析任务，比传统的句子级别、文章级别的情感分析任务更加复杂，首先需要识别句子或文章讨论的属性，然后识别具体属性的情感极性，得出结论。细粒度的情感分析具有巨大的商业应用价值，使其成为 NLP 实战竞赛项目的热门赛题。本课程中，将讲解基于属性的细粒度情感分析该如何实施。
课程大纲：
*多分类：情感分析的基础
*细粒度：基于属性的细粒度情感分析
*多媒介：社交网络等用户生成文本的情感分析
[https://campus.swarma.org/course/1064 情感分析（二）]
在移动互联网时代，人们已经习惯于在网络上表达对事物的评价，比如外卖平台对商家、菜品的评价，购物网站对商品的评价，社交媒体的话题出现等。这些评价中具有巨大的商业价值，其隐藏的情感，可以帮助决策者做出可靠的选择。情感分析具有巨大的工业应用价值。
本课程中，尹相志老师将分享在餐饮、服饰、汽车等领域的情感分析项目落地经验。
课程大纲:
*文字情绪分类的主要思路
*文字情绪分类以及如何标注数据
*通篇文章情绪与逐字情绪
*基于RNN与CNN的 Seq2Seq 情绪建模
===集智文章===
[https://swarma.org/?p=3696 情感分析：一个非技术性的技术指南]
[[file:swarma1-1534231798.jpeg|right|thumb|350px|一般来说，在文本分析中，情感分析旨在确定文章的正面、负面或中性的意见极性。 这听起来很直接，但事实上，这是一个复杂且具有挑战性的任务。]]
情绪是一个非常主观的事情。不同的读者在阅读同一篇文章时可能会有不同的反应。以往的研究表明，不同人对文本情感的典型认同低于 85％。根据我们自己的经验，这个数字对于更复杂的话题甚至更低。例如，在我们的一个项目中，分析社交媒体的用户对股票交易的看法，参与者之间达成共识的仅仅占不到 65％。由于任何自动化情感分析引擎的准确性都是相对于人为判断（所谓的黄金标准）进行衡量的，因此重要的是要根据多个注释者相互同意的标注数据进行衡量，而不是仅依赖唯一的注释者；同样重要的是：85％（即人类情感共识水平）通常被认为是任何自动化情绪分析引擎的准确性的理论上限。针对一个小型封闭的测试数据集，或者基于一个人的判断，引擎可以达到高于 85％ 甚至 90％ 的情感分析准确度。然而，在针对开放领域数据的时候，任何超过 90％ 分析准确率的说法都更像是幻想，而不具有现实性。
<br/><br/><br/>
----
本中文词条由[[用户:Kuangmy|Kuangmy]]、[[用户:Moonscar |Moonscar]]参与编译和审校，[[用户:唐糖糖|糖糖]]编辑，如有问题，欢迎在讨论页面留言。
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''