用户级情感预测主题模型的构建与研究

doi:10.3778/j.issn.1002-8331.1710-0173

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (6): 123-127.DOI: 10.3778/j.issn.1002-8331.1710-0173

用户级情感预测主题模型的构建与研究

武庆圆1，冯佳纯2，罗茂权2，何凌南3

1.北京师范大学珠海分校管理学院，广东珠海 519087
2.中山大学数据科学与计算机学院，广州 510006
3.中山大学传播与设计学院，广州 510006

出版日期:2018-03-15 发布日期:2018-04-03

Development of user-level topic models for emotion prediction

WU Qingyuan1, FENG Jiachun2, LUO Maoquan2, HE Lingnan3

1.School of Management, Zhuhai Campus of Beijing Normal University, Zhuhai, Guangdong 519087, China
2.School of Data and Computer Science, Sun Yat-sen University, Guangzhou 510006, China
3.School of Communication and Design, Sun Yat-sen University, Guangzhou 510006, China

Online:2018-03-15 Published:2018-04-03

摘要/Abstract

摘要： 文本主题引发的情感反馈与用户特征之间具有一定的关联。为了充分挖掘用户特征的价值以提高情感预测的准确度，在双层主题模型MSTM和SLTM的基础上，增加了对用户特征信息的采样层，进而提出了基于用户特征的“用户-主题-情感”三层主题模型UMSTM和USLTM。通过三层模型与基础模型在最高情感命中率以及情感概率预测相关系数的对比实验，来检验用户特征对情感预测产生的效果与影响。实验验证了UMSTM和USLTM在以上两种指标中，相对于MSTM和SLTM均有提高。

关键词: 主题模型, 用户特征, 概率图模型, 情感预测, 模型构建

Abstract: 文本主题引发的情感反馈与用户特征之间具有一定的关联。为了充分挖掘用户特征的价值以提高情感预测的准确度，在双层主题模型MSTM和SLTM的基础上，增加了对用户特征信息的采样层，进而提出了基于用户特征的“用户-主题-情感”三层主题模型UMSTM和USLTM。通过三层模型与基础模型在最高情感命中率以及情感概率预测相关系数的对比实验，来检验用户特征对情感预测产生的效果与影响。实验验证了UMSTM和USLTM在以上两种指标中，相对于MSTM和SLTM均有提高。

Key words: 主题模型, 用户特征, 概率图模型, 情感预测, 模型构建

武庆圆1，冯佳纯2，罗茂权2，何凌南3. 用户级情感预测主题模型的构建与研究[J]. 计算机工程与应用, 2018, 54(6): 123-127.

WU Qingyuan1, FENG Jiachun2, LUO Maoquan2, HE Lingnan3. Development of user-level topic models for emotion prediction[J]. Computer Engineering and Applications, 2018, 54(6): 123-127.

[1]	郑诚，董春阳，黄夏炎. 基于BTM图卷积网络的短文本分类方法[J]. 计算机工程与应用, 2021, 57(4): 155-160.
[2]	吴迪，张梦甜，生龙，黄竹韵，顾明星. 改进在线词对主题模型的微博热点话题演化[J]. 计算机工程与应用, 2021, 57(24): 179-184.
[3]	丁勇，程家桥，蒋翠清，王钊. 基于主题和关键词特征的比较文本分类方法[J]. 计算机工程与应用, 2021, 57(17): 196-202.
[4]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[5]	彭博远，彭冬亮，谷雨，彭俊利. 融合语义与事件特征的重大事件趋势预测[J]. 计算机工程与应用, 2020, 56(17): 173-180.
[6]	王丽苗，许青林，姜文超，符基高. 集成FM的短视频喜好率预测模型[J]. 计算机工程与应用, 2020, 56(14): 118-122.
[7]	陈泽宇，黄勃. 改进词向量模型的用户画像研究[J]. 计算机工程与应用, 2020, 56(1): 180-184.
[8]	汪岿1，费晨杰1，刘柏嵩1，2. 融合LDA的卷积神经网络主题爬虫研究[J]. 计算机工程与应用, 2019, 55(11): 123-128.
[9]	程磊，高茂庭. 结合时间加权和LDA聚类的混合推荐算法[J]. 计算机工程与应用, 2019, 55(11): 160-166.
[10]	龚敏1，邓珍荣2，黄文明2. 基于用户聚类与Slope One填充的协同推荐算法[J]. 计算机工程与应用, 2018, 54(22): 139-143.
[11]	赵慧茹，林民. 融合关联规则的学术论文主题学习及表示方法[J]. 计算机工程与应用, 2018, 54(20): 159-165.
[12]	胡检华1，李平1，2. 融入用户社会关系的协同主题回归模型[J]. 计算机工程与应用, 2018, 54(19): 151-157.
[13]	胡湘杰，夏利民，王军. 基于运动模式分析的异常行为检测[J]. 计算机工程与应用, 2018, 54(16): 140-145.
[14]	李心茹，夏阳，张硕硕. 基于相似度融合和动态预测的兴趣点推荐算法[J]. 计算机工程与应用, 2018, 54(10): 105-109.
[15]	谢霖铨，梁博群. 结合用户特征分类和动态时间的协同过滤推荐[J]. 计算机工程与应用, 2017, 53(6): 80-84.

用户级情感预测主题模型的构建与研究

Development of user-level topic models for emotion prediction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics