分享9篇关于情感计算的计算机专业论文

今天分享的是关于情感计算的9篇计算机毕业论文范文, 如果你的论文涉及到情感计算等主题,本文能够帮助到你

基于机器学习的情感计算模型超参数优化方法研究

这是一篇关于深度学习,情感计算,超参数自动搜索,特征表示,自注意力机制的论文, 主要内容为深度学习有较强的学习能力,能够以监督学习这一算法自动地从数据中提取有用的特征表示。它以优异的表现在图像识别、语音识别、知识图谱、自然语言处理等领域中获得了广泛的应用,同样在情感计算领域,深度学习算法的应用获得了巨大成功。深度学习算法的实现涉及到调参这一重要环节,不同超参数会带来不同的结果。同样,目前在情感计算领域中调参方法只依赖于手工搜索和经验设置,尽管网格搜索和随机搜索是自动完成的超参数搜索的过程,但是网格搜索穷举式的特点会带来消耗时间和资源等新的问题,而随机搜索具有盲目性。因此,在这一领域存在调参困难的问题。为了改进传统调参方法存在的不足,本文提出超参数自动搜索方法,并将其应用于语音情感识别和抑郁自动检测两个情感计算领域的重要任务中,目的是解决情感计算领域中调参难这一问题并通过寻找最佳参数配置以提高这两个任务的识别率和预测正确率,本文的主要研究工作包括:第一,针对在情感计算领域提出的深度学习模型调参难这一问题,结合机器学习中回归树可视化分析的优势,提出超参数自动搜索算法。它的主要思想是首先为情感计算领域中的任务选择合适的算法模型;其次为模型中的超参数分阶段设置搜索空间;最后在搜索空间中进行由粗略到精细的搜索过程,随机组合一组超参数配置,对算法模型进行训练,得到验证损失和测试损失,将得到的结果输入到回归树中进行分析,聚焦搜索空间。第二,将提出的超参数自动搜索方法应用于语音情感识别任务。实验数据来源于IEMOCAP数据集,基于数据集提供的TXT文件对语音中情感的描述,从九类情感中选取高兴、生气、中性、悲伤四类情感构建此任务的数据。通过在本文构建的情感分类数据库中的实验结果表明,基于超参数自动搜索能够有效地找到一组最佳超参数配置,取得了较好的识别结果。第三,将提出的超参数自动搜索方法应用于抑郁症自动分析任务。实验数据来源于AVEC 2017数据集,实验结果表明,基于超参数自动搜索方法能够快速、有效地获得较好的预测结果。

基于机器学习的情感计算模型超参数优化方法研究

基于情感语义的服装推荐系统研究与实现

这是一篇关于推荐系统,情感计算,个性化,衬衫设计的论文, 主要内容为随着服装产业的快速发展,服装推荐和检索系统在为消费者挑选满意的服装时扮演着越来越重要的作用。传统的服装推荐系统通过服装图像文本标注或者服装图像内容(如颜色、纹理等)来推荐。近年来,一些研究者开始基于感性工学尝试从人类感知的角度去推荐服装。感性工学确实能在一定程度上用高层语义表达用户的情感需求,然而感性工学的数据是基于大量的问卷调查和统计分析而得到的,其缺乏动态性和个性化。本文以男士衬衫设计为背景,主要研究内容是男士衬衫的情感推荐。针对感性工学推荐结果缺乏动态性和个性化,提出基于情感语义的男士衬衫个性化推荐系统,最后该系统在情感语义衬衫智能设计系统中作为一个模块被实现。首先基于Kobayashi的色彩心理学建立一个通用情感模型,用于对衬衫图像数据库中的所有图像进行自动情感标注,并把这个标注结果作为系统的默认推荐。其次为了满足个体的个性化需求,我们也将形状、纹理等影响情感的因素考虑进来,系统通过与用户交互来获得用户的情感偏好,然后通过个性化引擎来建立衬衫图像底层视觉特征与用户高层情感语义间的映射关系,并以此建立个性化情感模型。实验表明,系统经过与用户2到3轮的交互,能够很好地推荐用户满意的衬衫。针对男士衬衫设计效率不高问题,提出了情感语义衬衫智能DIY设计,最后该方法在情感语义衬衫智能设计系统中得以实现。在系统中用户能够用高层情感语义来表达需求,并能根据用户情感输入快速推荐相应的部件、颜色和图案,然后用户可以根据部件进行自由拼接。如果用户不满意当前的推荐结果,系统还提供了许多交互式设计功能(如色彩设计、图案设计、液化和纹理滤镜等)来尽可能多的满足用户的个性化情感需求。

基于在线评论的京东生鲜物流服务顾客满意度研究

这是一篇关于在线评论,物流服务,顾客满意度,指标体系,情感计算的论文, 主要内容为随着互联网的发展,人们对网购的需求越来越大,这给各大电商平台带来巨大的机遇和挑战。如何有效地提高顾客满意度,让顾客成为企业的忠实客户是一个难题。多数研究者通过采用问卷调查法来收集顾客的消费意见,此类调研数据容易受到人为主观因素的干扰。本文在梳理前人对物流服务顾客满意度研究的基础之上,结合在线评论数据和文本处理技术,构建了物流服务顾客满意度的指标体系,并利用京东生鲜在线评论进行实证分析,提出了有针对性的改进建议。首先,本文对40篇物流服务顾客满意度文献进行梳理、归纳,结合ACSI与CCSI两种顾客满意度模型,构建初始物流服务顾客满意度指标体系;同时,对京东生鲜222个商品的52000条在线评论数据进行文本分析,根据分析结果,对初始指标体系进行调整和完善,构建了基于在线评论的物流服务顾客满意度指标体系。其次,基于新指标体系进行了关键词匹配和断句匹配统计,通过统计涉及的各指标评价所占比例来反映指标的重要程度,并利用层次分析法对比例进行修正,从而确定最终的指标权重。最后,基于断句匹配结果,进行各指标值的计算,利用物流服务顾客满意度综合评价公式,得到物流服务顾客满意度评价结果。结合评价结果,对指标体系六个维度进行分析,并对京东生鲜物流提出相应改进的建议。

基于情感计算的智能问答系统的设计与实现

这是一篇关于自然语言处理,情感计算,问答系统,开放域的论文, 主要内容为近年来,随着互联网和人工智能技术的快速发展,各行各业都开始构建网络平台来更好的完成与用户的交互。利用人工智能领域自然语言处理技术,构建不同于传统答疑模式的智能问答系统,具有反馈速度快、反馈内容准确和节省不必要的人力资源等特点。基于情感计算的智能问答系统相较于普通问答系统,不仅可以有效的解决遇到大量重复雷同的问题,而且具有一定的情感计算能力,可以识别用户的情感,从而在和用户进行互动时让用户体验到系统的亲昵感。在构建基于情感计算智能问答系统的过程中,用户输入的语句首先需要进行情感分类,因此本文对情感分类器模型进行了深入的研究。本文基于对常见分类模型的研究成果和收集到的情感方面的语料,最终实现了卷积神经网络分类模型和长短期记忆网络分类模型,并在研究和分析后,提出了利用特征融合的方法,将两种完善的分类模型加以组合,构建了针对本系统的组合分类模型。在测试阶段分别基于语料测试集和人工随机测试集,设计实验并对比了三个分类模型的分类结果。本文通过对情感计算领域和问答系统领域的研究,将情感计算和问答系统结合起来,在问答系统方面不选择特定的领域,研究了基于情感计算的智能问答系统及其各主要部分,并应用Vue Js和Express开发框架,实现了开放域下基于情感计算的智能问答系统。根据问答系统的使用场景和设计目标,通过收集大量数据构建开放域知识库作为系统储备,在问答系统的问句分析模块,调研并实现了问句分析中的重要方法,包括:针对中文的分词、Word2vec词向量模型的训练、主句提取、句法结构分析、上下文信息补充、意图识别和相似度计算等。本系统在收到用户的输入信息后,会对用户的输入信息进行问句分析、情感计算、问句分类和答案匹配四个步骤,然后在已经构建好的开放域知识库中选择最合适的答案反馈给用户。系统设计了用户反馈的功能,用户在使用系统时对某些不准确的回复进行反馈,系统的工作人员可以在后台收到用户的反馈信息,并根据用户的反馈信息并对开放域知识库和问答模型进行更新,从而使得系统具有不断学习的功能。

基于情感计算的智能问答系统的设计与实现

电子商务信息跨平台检索与智能推荐技术研究

这是一篇关于跨平台信息搜索,网络爬虫,数据抽取,情感计算,智能推荐的论文, 主要内容为电子商务是集计算机科学、市场营销学、管理学、法学和现代物流于一体的新型交叉学科。经过多年的发展,目前我国电子商务的发展速度有目共睹,已经成为全球电子商务的领跑者。伴随着电子商务的快速发展和电子商务平台数量的快速增加,电子商务信息日益丰富,网页数量也出现爆炸式增长,使得广大用户在进行商品选购时“信息迷失”现象越发严重,集中表现为消费者在不同电商平台之间进行商品比选的困难。基于上述背景,近年来,关于跨平台电子商务信息检索与智能推荐系统的社会需求日益强烈。跨平台电子商务信息检索与智能推荐系统的构建涉及异构电子商务平台数据的实时在线爬取、信息重构和基于用户选择偏好的智能化商品推荐等多项技术。综合国内外相关领域的研究进展,本文以多个电商平台的手机销售网页作为研究实例,以如何实现跨电商平台手机销售信息搜索和智能推荐为重点,围绕主题信息抽取和智能推荐等关键技术进行了相关研究,主要研究内容和研究成果如下:(1)针对跨平台商品信息提取问题,本文利用基于关键词加权的Shark-PageRank算法确定主题网页队列,在此过程中通过加入动态主题库生成的方法来描述主题,使得主题爬虫的查准率较Shark-PageRank算法取得了进一步提升。在此基础上,提出了一种基于模板的网页信息自动抽取方法,该方法首先利用基于结构语义熵的主题信息定位方法在主题网页中定位待抽取商品的属性信息,进而归纳总结抽取路径来构建模板库,最后利用模板库实现商品信息的快速、准确抽取。通过实验结果表明,本文提出的基于模板的网页信息抽取方法在网页信息抽取任务中,查准率和抽取时间均有一定的提升。(2)针对智能商品推荐问题,本文从商品评论的情感分析视角出发,首先通过LDA主题模型从用户评论中抽取商品主题词,然后针对评论文本中不同单词的位置和评论文本中不同的部分对特定主题下情感倾向判断的贡献度不同,提出了一种融合主题词特征的Bi-LSTM+混合注意力机制模型,用于计算用户评论在不同主题下的情感值,最后综合商品所有评论的情感值,利用智能推荐模型计算商品在特定主题下的情感值,以商品在不同主题下的情感值作为推荐依据,结合用户选择偏好特征实现商品的智能推荐。通过实验结果表明,本文提出的融合主题词特征的Bi-LSTM+混合注意力机制模型较之前的方法在平均准确率、平均召回率和Macro-F1值上均有进一步的提升。(3)基于上述研究成果,结合Web前端开发技术,本文针对跨平台信息检索和商品智能推荐进行了原型系统的初步设计和实现。

基于负反馈回路的个性化光疗方法研究与应用

这是一篇关于脑电,抑郁,光疗,情感计算的论文, 主要内容为抑郁症是一种常见的心理障碍,会对患者的情绪、思维等造成负面影响,目前已对全球数亿人造成了困扰。在抑郁症的主流治疗方式中,药物疗法副作用大、起效慢、治疗应答率低;心理疗法则耗时耗力且价格高昂,许多患者难以承受。因此,一些研究人员开始探索新的治疗方法,光疗法就是其中之一。光疗法副作用小、疗效显著、成本较低,近年来受到了越来越多的关注。在光疗法过程中,不合适的参数会影响光疗法的效果,参数的设置是光疗法当中十分重要的一环。现有光疗法参数设定缺乏科学依据,忽略患者的个体差异性,且无法根据患者的状态变化做出动态参数调整,不能保证良好的治疗效果。因此,针对现有光疗法的不足,本研究提出了一种基于负反馈回路的个性化光疗方法,通过将现有光疗法与脑电信号分析方法相结合,根据不同个体的不同脑电特征设置个性化的光疗参数,并动态更新调整光疗参数,从而实现个性化光疗。经由实验证明,本文提出的个性化光疗方法相较现有光疗法,疗效有了明显提升。本文主要的研究内容及贡献如下:(1)提出基于负反馈回路的个性化光疗方法。针对现有光疗法参数设置忽视个体差异的不足,以脑电信号分析方法结合光疗法的形式对被试进行个性化光疗。使用唤醒价与效价作为被试情绪状态评价指标,并使用脑电信号对该评价指标进行量化。通过量化后的指标评估被试光疗期间的情绪状态变化,以得到被试的个性化光疗评估参数。提出GA-NNRank模型,基于此模型对个性化光疗参数进行预测,通过个性化光疗参数实现个性化光疗方法。最后,引入负反馈回路,对预测参数与评估参数具有差异的数据进行参数校正,并对模型再次训练以更新模型参数,提升光疗法参数设置的准确性。(2)基于个性化光疗方法构建个性化光疗时长模型,并设计开发光照时长推荐系统。针对光疗法中关键的时长参数,构建脑电特征-光照时长数据集。对数据集进行训练集、验证集、测试集的划分后,使用Relief F算法进行特征选择、MTD算法进行数据增强,并对训练集、验证集、测试集分别进行归一化。构建个性化光疗时长模型,并使用ACC与F1分值对模型进行评价。设计开发光照时长推荐系统,包括脑电采集与处理模块、光照时长选择模块以及数据存储与管理模块,分别对这几个模块分别进行了界面与功能设计。(3)使用光照时长推荐系统对个性化光疗方法进行实验验证。进行被试招募,将招募到的30名被试划分为个性化光疗时长组、光疗时长固定组以及无光照对照组三个组别,对各组以不同的实验范式进行实验。经过六周的实验后,个性化光疗时长组的病人健康问卷抑郁自评量表(PHQ9)量表评分下降了54.29%,抑郁自评量表(SAS)评分下降了25.47%,焦虑自评量表(SDS)评分下降了22.60%,在各个量表评分上都表现出了更快的下降趋势与下降幅度,充分证明了本文提出方法的有效性。