6个研究背景和意义示例,教你写计算机立场检测论文

今天分享的是关于立场检测的6篇计算机毕业论文范文, 如果你的论文涉及到立场检测等主题,本文能够帮助到你

面向社交网络中特定领域的情感分析研究

这是一篇关于国际影响力,立场检测,注意力机制,情感分析的论文, 主要内容为社交网络已经成为人们现代生活中必不可少的一个部分,逐渐改变了人们很多传统的习惯。人们浏览新闻的途径已经从纸张阅读逐步趋于线上,新闻媒体可以通过社交网络发表新闻评论,同时社交网络的交互性也给网络中的所有用户都提供发表言论的平台,社交网络的作用当然也不只限于此。随着网络的发展,人们生活中的衣食住行都可以通过互联网进行消费,而为了提升用户体验,产品评论体系也逐渐完善。无论是新闻评论还是产品评论都夹杂着作者对于某一事物的情感倾向,因此本文针对社交网络中的两大领域(新闻评论领域与产品评论领域)展开情感分析研究。针对新闻评论领域的研究,本文从社交网络中新闻评论的作者和内容两个方面展开。首先,从新闻评论的作者出发,针对一些官方新闻评论的发布者—新闻媒体,本文提出了一种事件层面的新闻媒体影响力评价方法,综合了社交网络的网络结构以及用户行为,并选择对以新疆暴恐事件为代表的突发社会安全事件领域进行研究。该研究从新闻评论的作者出发,量化其影响力。实验结果显示,各国新闻媒体在不同事件中的影响力存在差异,同类型事件因其发生地不同导致事件的影响范围也不同,同时也从侧面反映了各国政治立场的差异。其次,从新闻评论的内容出发,本文完成了面向新闻评论的立场检测研究。立场检测作为情感分析任务,其主要目标是预测一特定话题下相关评论对于此话题的立场倾向。针对现有研究大多只考虑了文本与目标词之间的关联性,本文提出了基于知识图谱的模型和基于句法学习的模型。前者为了拟合人类做判断的习惯,利用模型给机器提供了一系列常识性知识辅助预测新闻评论作者对某一话题的立场倾向。实验结果显示利用常识性知识可以较好的学习到更深层的隐性关系。后者通过学习文本的句法结构来深层挖掘文本中的语义信息,实验结果显示,句法学习在立场检测任务中发挥了很好的作用。立场检测对舆情监控有很好的应用价值。针对产品评论领域,本文选择对一种新型的产品评论模式—问答型产品评论进行情感分析研究。问答型的产品评论与传统的产品评论不同,一问一答的形式,答案对于问题具有更明确的对应性。对问答型产品评论的情感分析任务是可以视作一种特殊的方面级情感分析任务,针对此本文提出了一种基于BERT的模型。实验结果显示,该模型良好的性能和泛化能力。该研究可以帮助用户更加了解产品,也可以帮助商家进行产品升级。

跨领域网络文本立场检测关键技术研究与应用

这是一篇关于立场检测,跨领域,表情符号,对比学习的论文, 主要内容为跨领域立场检测可在有限的源域数据资源条件下,挖掘源域和目标域之间的内在联系,有效解决新生话题的立场检测问题。针对跨领域网络文本立场检测研究中,表情符号对用户立场表达的影响问题,本文以中文互联网用户文本为研究对象,重点围绕表情符号融合文本的特征提取和领域泛化两个关键过程开展研究。本文的主要贡献如下:(1)构建了一个跨领域表情符号融合文本立场检测数据集和词嵌入模型。针对当前中文语境下跨领域表情符号融合文本标注数据匮乏的问题,自行采集并构建了一个跨领域立场检测数据集;针对当前表情符号向量构造方法的主观性较强、复杂度较高问题,采用模型训练的方式将表情符号投影到与文本一致的Word2Vec词嵌入空间。实验结果表明,训练得到的词向量能够准确地捕获表情符号的语义信息。(2)提出了一种基于双词嵌入的表情符号融合文本立场检测方法。针对表情符号语义识别困难的问题,从当前未考虑的表情符号和文本句法结构的关联性问题角度出发,通过扩展句法依赖关系,提取了表情符号融合文本的句法结构特征;针对Word2Vec模型上下文语义表征不足的问题,结合BERT模型提出了一种基于双词嵌入的立场检测方法DWE-SFEM。实验结果表明,其他方法相比,DWE-SFEM方法在F指标上有所提升,验证了该方法在处理文本立场检测任务中的有效性。(3)提出了一种基于对比域适应的跨领域立场检测方法。针对源域标注数据资源稀缺的问题,提出了一种以EDA方法为基础并结合表情符号位置信息的数据增强方法EDAWE;针对域间特征分布差异较大和域内相似语义文本表达形式多样化的问题,结合自适应技术和对比学习技术提出了一种跨领域立场检测方法CDASFEM。实验结果表明,EDAWE方法可有效提高单领域下的立场检测效果,CDASFEM方法可有效应对跨领域立场检测任务。(4)设计并实现了一套立场检测系统。以本文提出的两种立场检测方法为基础,从需求分析、系统设计、详细设计等方面,设计并实现了一套立场检测系统,该系统通过标准的外部调用接口为相关信息系统提供统一规范的立场检测服务。系统测试结果表明,该系统满足了需求分析阶段的功能性和非功能性技术指标。本文主要针对融合表情符号的网络文本的跨领域立场检测任务进行了理论研究和技术应用,其成果可应用于舆情管理、电商评价等多个领域。

面向社会媒体的文本立场检测关键技术研究

这是一篇关于立场检测,预训练语言模型,知识蒸馏,知识图谱的论文, 主要内容为用户对于公共事件、消费产品等的讨论文本蕴含着许多与用户立场相关的信息,这些信息能够辅助用户群体划分、商品推荐等任务,并且有助于政府、企业等部门把握社会事件中的公众舆情。因此,面向社会媒体的文本立场检测具有重要的意义。目前,在文本立场检测领域,研究者提出了许多有效的研究方法,其中大部分方法使用的是传统的机器学习、主题模型和深度学习方法。同时,在自然语言处理领域中,预训练语言模型在包括文本立场检测工作在内的多项任务中取得了较好的性能。但该类模型规模大,实际应用需要大量的计算资源与较高的时间成本。针对以上问题和不足,本文提出了两种面向社会媒体的文本立场检测方法。一方面,通过设计基于相似性保持的知识蒸馏文本立场检测模型来提升文本立场检测的效率;另一方面,提出了一种基于知识图谱嵌入的文本立场检测模型,通过引入外部知识提高文本立场检测任务的性能。本论文的主要工作内容如下:(1)针对预训练语言模型规模大,实际应用需要大量的计算资源与较高的时间成本的问题,本文提出利用知识蒸馏方法将大参数模型转化为小参数模型进行优化,通过设计一种基于相似性保持的知识蒸馏模型,将经典蒸馏损失和相似性保持损失结合在一个联合知识蒸馏框架中。一方面,使用一个较大的教师模型指导一个较小的学生模型训练;另一方面,基于相似性保持损失函数,在教师模型中相似激活的输入能够在学生模型中产生相同的激活,从而指导学生模型训练,共同提高文本立场检测的效率。(2)针对现有的立场检测工作大多直接对文本中的词进行建模,忽略了外部知识对文本表示的作用。本文提出了一种基于知识图谱嵌入的中文微博立场检测模型,通过外部知识嵌入从两个不同的知识图谱中提取三元组形式的知识,并将其中的实体集成到预训练语言模型中提高文本立场检测的性能。(3)本文使用了中文微博立场检测与英文推特立场检测两个数据集,并在不同实验设置下进行实验,验证两个模型对于立场检测效果的提升程度。此外,本研究提出的基于相似性保持知识蒸馏的立场检测方法以及基于知识图谱嵌入的立场检测方法不仅适用于面向社会媒体的文本立场检测工作,还可以扩展到其他文本分类任务中。希望可以为从事自然语言处理工作的研究者们提供经验和借鉴。

基于立场检测的在线课程推荐系统

这是一篇关于立场检测,图神经网络,在线教育,课程推荐的论文, 主要内容为随着网络终端的普及以及互联网技术的发展,网络成为了人们获取知识的主要途径之一,疫情的到来更是点燃了在线学习的星星之火。由于在线学习打破了传统教育的时空限制,在疫情期间发挥了巨大的教学能力,逐渐成为一种广受欢迎的学习方式。为了便于学习者从海量的学习资源中快速选择,在线课程推荐系统应运而生。在线学习平台积累至今的发展历程中,也产生了大量数据,学习者的评论一直被认为包含许多有价值的信息。目前的推荐系统通过使用情感分析评论来发掘学习者兴趣,但是情感分析并没有课程的针对性,在不同的课程立场下所表达的情感取向并不一定相吻合。因此,论文通过使用立场检测模型来分析学习者对课程的评论信息,挖掘学习者兴趣,并使用图神经网络来学习学习者与课程的历史交互信息以及课程本身之间的关联信息来进行推荐工作。目前的立场检测任务中融合外部知识的立场检测模型将学习到的文本与知识的表示拼接起来送入分类器中完成立场检测任务。直接拼接文本和知识表示的方法没有计算表示之间的交互特征,对于文本和知识之间的交互信息的建模能力较弱,无法度量它们之间的相似性,这可能导致学习到的潜在共同空间表示不够准确的问题;目前的在线课程推荐方法中,方法内容集中于利用历史交互数据来对学习者以及课程进行建模。然而真实世界中的交互数据往往是稀疏的,基于课程之间的关联信息能够有效地缓解稀疏性。历史交互图与关联课程图是两种不同结构的图,不同图之间存在一定的相关性与差异性,使用多个图数据能够覆盖更广泛的学习者和课程,将两种图数据结合来能够更好地反映学习者和课程之间的多维度关系。如何有效地将两个图结合起来完成对课程的建模是一个需要解决的问题。所以文章具体的工作如下所示:(1)为了能够对文本和知识之间的交互信息进行建模,提出了一种基于Prompt与外部知识联合的立场检测方法。具体来说,该方法将外部的知识与立场文本直接一起嵌入模型,通过Prompt学习方法并利用掩码语言模型的多头自注意力机制来学习文本与外部知识的交互特征,以学习潜在共同空间上的表示。同时结合情感词典对Prompt标签词集进行扩展,使模型在预测结果时,能够自动捕获文本中存在的情感特征。实验结果表明,该方法获得了最优的综合性能,在反对立场上的学习效果更优。(2)为了能够将历史交互图与关联课程图结合起来完成对课程的建模,提出了一个基于关联课程嵌入的图神经网络评分预测模型。具体来说,首先通过计算课程及其标签之间的相似度来构建关联课程图,接着在对课程进行建模时,设计了一种方法分别从历史交互图上捕获历史学习者与评分的交互信息,从关联课程图上提取关联课程信息,将两种信息结合起来完成对课程的建模。最终将学习者表示与课程表示结合起来完成对课程的评分预测。实验结果表明,该方法可以学习到更丰富的课程表示,对课程的评分预测结果误差更小。基于以上研究,使用了Vue、Spring Boot、Py Torch等技术搭建了一个前后端分离的在线课程推荐系统来实现对课程的推荐工作。在该系统的评论分析模块中使用了所提出的立场检测模型,将评论信息作为需要进行分析的文本,并且将学习者信息与课程信息作为外部知识加入到该模型中,模块依据模型结果对学习者的兴趣标签进行调整,辅助召回模块构建候选课程集合。在该系统的个性化推荐模块中使用了召回模块形成候选课程集,然后使用所提出的课程评分预测模型对候选课程集中的课程进行评分预测,最后按评分进行排序形成推荐列表完成对课程的推荐工作。