基于迁移学习的在线学习社区学习者情感识别研究与应用
这是一篇关于迁移学习,情感识别,学习分析系统,文本表示的论文, 主要内容为随着教育信息化的发展,在线学习社区逐渐成为学习者在非课堂环境下获取知识的重要途径。在线学习社区具有允许学习者随时随地进行网上学习的时空优势,弥补了教育资源的不均衡分布,令学习者得到了更多的学习机会,从中受益匪浅。由于学习者在学习过程中所产生的情感状态会对其学习效果产生一定的影响,积极的情感有助于提升学习者的学习动机,促进认知过程的有效性,而消极情感会影响学习者的耐心和注意力,阻碍认知过程,这些情感因素终将影响到学习者的学习成效,但是由于在线学习环境下师生在时空上分离,教师难以把握学生在学习过程中的情感状态,存在所谓的情感缺失问题。在在线学习社区中存在情感缺失问题的背景下,识别出线上学习者在学习过程中产生的情感,以实现数据驱动的学习诊断与学习干预,对学习者进行个性化指导,这是一个值得研究的问题。为此,本文所做的主要研究工作如下。第一,构建学习者情感识别模型。首先,融合文本的词序信息和依存句法信息构建出文本的语义图,通过图嵌入技术计算得出含有语义信息的词向量;然后,基于迁移学习技术提取文本情感特征,即先利用一个层次化注意力网络,得到不同领域的共享情感特征,再使用另一个层次化注意力网络将不同领域的独有情感特征映射到共享情感特征空间中;最后,联合上述的两个层次化注意力网络对在线学习社区学习者评论数据进行文本情感识别。第二,设计并实现学习分析系统,将学习者情感识别模型应用到学习分析系统中,作为系统的支撑性应用之一。学习分析系统以在线学习社区中的数据为基础,对学习者的行为、情感、知识进行建模并分析之后为教师、学生以及在线学习系统提供各项服务,优化教学过程,促进学习者的有效学习。在设计上,基于在线学习平台的数据和对象交互过程,从数据挖掘的角度构建一个以学生、教师、在线学习社区三个主体为核心的学习分析系统模型。在实现上,基于B/S架构编码实现上述学习分析系统,将不同的学习分析应用封装成独立的服务模块,从而提升系统整体的可扩展性。在此学习系统内,学习者情感识别模型作为一个支撑性功能模块,可以完成学习者课程评论数据情感识别结果可视化、课程评论情感极性分布计算及在线学习社区学习者潜在兴趣课程推荐等学习分析工作。在5门在线课程组成的真实数据集上进行了对照实验,结果表明本文方法能有效对学习社区课程评论文本进行情感识别,验证了本文所使用的情感识别模型的有效性。在实现算法的基础上,进一步将此情感识别模型应用于学习分析系统中,作为学习分析系统的一部分,为个性化学习资源推荐等学习分析工作提供数据支撑。
基于情感知识增强的人格检测技术与研究
这是一篇关于人格检测,实体链接,知识图谱,情感分析,情感识别的论文, 主要内容为人格作为一种稳定的心理结构,反映了个体的选择和偏好,影响了个人生活的方方面面。人格检测是指通过分析个体的行为和偏好预测其人格类型,已经被广泛应用于推荐系统、社交网络分析、个性化产品服务等场景。因此,针对人格的自动化检测逐渐成为人工智能领域的一个重要子课题,也成为网络空间安全中社会工程学领域的重要关注点。现有的针对文本数据的人格检测模型主要存在两大局限点。一方面,人格检测可用的文本数据集较少,仅通过传统特征难以提取语言结构的深层关联与特征,并且没有充分利用外部大规模的无标签信息。另一方面,现有的研究大多数集中于采用深度神经网络提取文本的语义表示,忽略了对情绪及心理学特征的关注,没有充分利用人格和情绪之间的关联关系。针对人格文本数据缺失且没有充分利用先验知识的问题,本文提出了一种融合知识图谱的人格检测模型。该模型首先通过命名实体识别筛选文本中的重要概念,然后结合上下文信息和候选实体的描述信息,获取其在通用领域知识图谱中关联的唯一实体标签,消除了实体歧义。然后,通过知识图谱嵌入表示将实体和关系映射到低维向量空间,获得相应的知识表征。最后,结合知识表征与预训练模型得到语义表征,通过机器学习分类器检测人格类别。实验结果表明,该模型通过知识图谱引入先验背景信息,丰富了文本的语义表示,平均准确率达到了 61.2%,提升了人格检测的准确性。针对人格检测忽略心理相关特征且没有充分利用情感信息的问题,本文提出了一种基于情感增强的人格检测模型。该模型首先利用情感极性分析,过滤输入中的情感倾向不明显的句子,减少无关情感的干扰。然后通过细粒度的情感识别,分析文本在喜悦、悲伤、愤怒、恐惧四个维度上的情感强度,获得相应的情感表征,并与语义表征相结合,最后通过机器学习分类器检测人格类别。此外,结合知识、情感、语义三种特征完成基于情感知识增强的人格检测。实验结果表明,基于情感增强的人格检测模型考虑了情感与人格之间的关联关系,利用情感信息丰富文本的语义表示,平均准确率达到了 62.6%,相较于知识信息,情感信息对人格检测的增益更为明显。并且,基于情感知识增强的人格检测模型表现尤为突出,平均准确率达到了 63.8%,进一步提升了人格检测的准确性。
面向主题和融合用户性格的文本情感分析方法研究与应用
这是一篇关于情感识别,性格识别,BERT,动态语义交互,条件融合模型的论文, 主要内容为随着新型的垂直社区和短视频应用的迅速涌现,信息传递正在向专业化、聚集化和智能个性化推荐方向发展。垂直化社区、短视频应用、电子商务平台的个性化推荐系统的出现,使得越来越多的用户通过问答,分享内容,评价等方式主动分享,表达自己的观点、情绪和想法。同时,大量个性化的特定场景数据的出现也给数据分析带来了全新的挑战和机遇。在这些数据当中蕴含了丰富的性格信息和情感信息,分析这些信息可以帮助企业更好地了解用户的群体画像和对产品的满意度,也可以帮助用户更好地了解产品的质量等。情感分析和性格分析是文本分析领域的两种重要研究方向。情感分析是一种通过计算机程序来识别和分析文本、语音、图像等中表达的情感和情绪的技术,它可以帮助人们更好地理解所接触到的信息和情感背景。而性格分析则是一种通过分析人类的行为、态度和心理特征来识别人类性格类型和特征的技术,它可以帮助人们更好地了解自己和他人,并做出更加准确和有效的决策。目前的性格识别研究中,有效融合心理学特征是一个亟需解决的问题;在情感分析研究中,有效融合性格信息帮助进行情感倾向分析也是一个很大的挑战。针对现有性格识别方法难以有效融合文本深层语义与心理学特征的技术挑战,本文提出了基于BERT与句法依存的性格识别模型BERT-SDFM。采用BERT提取文本蕴含的深层语义信息,通过词法与句法分析获得具有性格特征的心理学词汇,设计条件融合函数将该词汇作为外部条件动态嵌入到文本表示向量中,捕获文本深层语义与性格线索间动态的语义交互。最后,使用全连接网络进行更深层的特征提取和降维,以此对性格进行识别。该方法在面向中文电影评论的性格数据集上的实验验证了其有效性,相较于传统神经网络和单一BERT模型,在性格识别准确性上有明显提升。针对情感识别方法使用性格信息进行情感识别的挑战,本文提出了一种面向主题的融合性格的文本情感分析模型。该模型利用BERT-SDFM模型提取文本中富含的性格信息,再利用BERT模型提取文本的深层语义信息,并对BERT-SDFM提取的性格标签进行词嵌入操作,最后采用条件融合模型将性格标签信息嵌入到文本深层语义中,实现文本深层语义信息与性格标签信息的语义交互,从而提高情感倾向分析的准确性。在构建的包含性格的情感数据集上进行实验证明了性格标签信息对情感倾向分析的有效性。与神经网络模型Text CNN、BERT基准模型和XLNet基准模型相比,本文提出的模型在情感识别准确性上表现更优。除此之外,本文基于提出的性格识别模型和情感分析模型,设计并实现了一个文本情感分析系统,该系统动态展示了所构建数据集的内容和分布,实现了文本性格及情感的实时预测功能。
在线学习中基于情境感知的学习者情感识别及其干预应用
这是一篇关于在线学习,情感识别,情境感知,深度神经网络,注意力机制的论文, 主要内容为近年来,光纤网络和高速移动网络在信息技术的飞速产业化发展背景下逐渐得到普及,以在线学习为主的移动学习方式逐渐得以推广与接受。自2020年大规模新冠疫情爆发以来,在线教与学凭借其突破时空限制以及具备高教学资源利用率等优势特性成为了全国各高校、中小学以及教育机构进行教学实施的主要形式。尽管在线教学为教师和学习者带来了极大的时空便捷以及自由支配性,然而其时空分离特性阻碍了师生之间及时有效的信息交互与情感交流,极大地削弱了教学者的学习状态感知力以及教学主体间的情感联系,进而无法感知学习者的学习情感状态及学习状态以进行个性化的情感调节与在线学习支持,严重影响学习者的在线学习效果。因此,在线学习过程中学习者情感状态的感知与分析对预防消极学习状态、提升学习者的在线学习情感体验与具有重要的价值与意义。人工智能(尤其是深度学习技术)与在线教育相结合的智慧学习模式是当下教育信息化的新趋势,其力求缓解传统在线教育中的学习者学习状态感知困难及不准确等问题。本研究对图像情感识别、在线学习者情感识别的研究现状及关键技术进行了整理分析,总结出当前在线学习情感识别研究存在的两大主要问题:1)在线学习者情感识别仍然以单一的面部表情为主要输入数据模态,而其忽视人体姿态、场景等情境信息的缺陷致使模型无法妥善处理情感混淆与情感误解的问题;2)当前在线学习者情感识别模型仅仅在公开基准数据集训练,忽视公开数据与在线教育数据之间的数据差异。而利用深度神经网络分析在线学习平台中学习者的面部表情、姿态和场景信息并利用其间的互补信息进行特征校准和融合,可以准确地识别在线学习者的学习情感状态及其变化,为优化教师与学习者之间的情感交流体验以及引导教师采取针对性教学决策提供可靠情感状态信息依据,进而提高学习者的学习效果。基于上述基础,本文主要研究工作包括:首先通过分析现有基于面部表情等局部信息的情感识别方法性能受限的原因,剖析出相关技术方法的缺陷,协同分层交叉注意力机制、自适应注意力机制、特征元素重校准及分层深度融合提出基于情境感知的在线学习者情感识别模型CAHFW-Net,该模型可同时考虑面部表情以及情境信息,为精准识别学习者情感提供可靠的特征表示。然后以参数迁移学习机制为基础,实现所提模型向学习者视觉数据的有效迁移泛化,以提高模型在真实在线场景中的学习者情感识别效果。最后以实验室团队已有在线学习平台为依托,嵌入基于情境感知的在线学习者情感识别模型,设计并实现由学习者学习视频数据预处理模块、基于情境感知的学习者情感状态监测模块、知识点时域维度的学习者情感状态轨迹输出模块、基于学习者情感状态轨迹的在线学习干预模块等功能模块组成的在线学习干预系统,组织在线学习平台学习者参与所实现在线学习干预系统应用实践,应用结果从情感状态感知缺失率、干预后学习者接续学习情感状态变化,以及系统使用的良好反馈三个视角验证了所提在线学习情感识别方法面向现实在线学习应用的有效性。较之于嵌有传统面部表情识别模型的在线学习干预系统,嵌入本研究所提基于情境感知学习者情感识别模型的在线学习干预系统具有以下两点优势:(1)更低的学习者情感状态感知缺失率;(2)更持久的干预后学习者积极情感状态维持时间。以上工作拓展丰富了在线学习环境下学习者情感识别的研究实践,同时也为在线学习平台个性化学习支持服务的建设提供了参考。
基于脑电信号的图片诱发情感识别与研究
这是一篇关于情感识别,脑电信号,特征提取,自注意力机制,深度学习的论文, 主要内容为情感在人们的日常沟通、认知和决策中都有重要的影响。随着传感器技术以及人机交互技术的快速发展,基于生理信号和非生理信号的情感识别成为了研究的热点。由于情感变化与大脑密切相关,且脑电信号具有不易伪装的特点,因此脑电信号被广泛应用于情感识别研究中。目前,基于脑电的情感识别研究主要集中在健听人,本文将针对聋人与健听人在情感面孔图片刺激下的脑电信号变化,进行聋人与健听人的情感识别研究,主要内容如下:(1)设计并完成了基于情感面孔图片刺激的聋人与健听人脑电情感实验,选取中国人面孔情感图片对20名聋人受试者和20名健听受试者进行五种情感(高兴,平静,悲伤,恐惧和愤怒)的诱发,构建了聋人与健听人的脑电情感数据集。(2)探究基于手动特征的脑电情感识别。首先采用微分熵(Differential Entropy,DE)、功率谱(Power Spectral Density,PSD)、小波熵(Wavelet Entropy,WE)、样本熵(Sample entropy,SE)和C0复杂度(C0 complexity)五种不同的特征提取方法,对比分析不同特征的情感表征能力。利用线性支持向量机(Support Vector Machin-Linear,SVM-Linear)、K近邻(K-Nearest Neighbor,KNN)、高斯核SVM(SVM-Ploy)、高斯贝叶斯(Gaussian Na?ve Bayes,GNB)、多项式SVM(SVM-RBF)和决策树(Decision tree,DT)这六种分类器进行手动特征分类。结果表明,在聋人数据集和健听人数据集上,基于DE特征应用SVM-Linear分类器的情感识别准确度最高。(3)提出了基于多轴自注意力机制(Multi-axis self-attention,Max-SA)的情感分类模型,用于获取脑区之间和通道之间的相关性信息。构建并融合了分别基于原始信号和DE特征的对称差矩阵(Subtract Symmetric Matrix,SSM)、对称商矩阵(Quotient Symmetric Matrix,QSM)共四种特征矩阵。利用结合了添加反向瓶颈层(Inverted Mobile Bottleneck Convolution,MBConv)的局部注意(local attention)和全局注意(global attention)的多轴自注意力模块对融合的特征矩阵进行分类。所提方法分别在聋人数据集和健听人数据集上取得了较好的分类效果。通过聋人与健听人在情感识别中的脑地形图发现,聋人情感辨别性脑区分布在颞叶和顶叶,健听人的辨别性脑区分布在颞叶和枕叶。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://bishedaima.com/lunwen/54113.html
