一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評(píng)論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識(shí)你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

建立計(jì)算模型來預(yù)測(cè)一個(gè)給定博文的抱怨強(qiáng)度

深度學(xué)習(xí)自然語言處理 ? 來源:南大NLP ? 作者:方銘 ? 2022-11-08 09:54 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

01

研究動(dòng)機(jī)

抱怨是一種表達(dá)現(xiàn)實(shí)和人類期望之間不一致的言語行為[1]。人們會(huì)根據(jù)情況的嚴(yán)重性和緊迫性,用抱怨來表達(dá)他們的擔(dān)憂或不滿。輕微的抱怨可以達(dá)到發(fā)泄情緒以促進(jìn)心理健康的目的,但嚴(yán)重的抱怨可能會(huì)導(dǎo)致仇恨甚至欺凌行為[2]。之前的研究主要集中在識(shí)別抱怨是否存在或其類型上,但是分析抱怨強(qiáng)度尤其重要,因?yàn)橐欢ǔ潭鹊谋г箍赡軙?huì)對(duì)公司或組織造成嚴(yán)重的負(fù)面后果。

4b63f274-5e9c-11ed-8abf-dac502259ad0.png

圖1 Jin數(shù)據(jù)集中同類別抱怨博文

在計(jì)算語言學(xué)中,先前的研究主要集中在建立自動(dòng)分類模型來識(shí)別抱怨是否存在。Jin提供了一個(gè)數(shù)據(jù)集,基于語用學(xué)注釋了不同嚴(yán)重程度的抱怨博文,分別為“沒有明確的指責(zé)”、“反對(duì)”、“指責(zé)”、“指控”和“責(zé)備”[3]。在這些研究中,我們注意到一個(gè)缺失的部分是測(cè)量抱怨的強(qiáng)度。

為了說明這一點(diǎn),我們展示了Jin最新數(shù)據(jù)集中的四個(gè)例子,如圖1所示:“我能向你抱怨我剛剛收到的咖啡嗎?”和“維珍媒體如往常一樣充滿謊言謊言謊言?。?!”,這兩句話被分為同一類型“指控”,但顯然它們?cè)诒г沟某潭壬鲜遣煌?。另一個(gè)例子是,“完全不酷”和“請(qǐng)盡快回復(fù)我的消息?。?!”,這兩句都被歸類為“反對(duì)”,然而,后者明顯提出了更強(qiáng)烈的抱怨。

分析不同的抱怨水平是有利的。公司需要定期監(jiān)控來自用戶的反饋,因?yàn)槟承┍г箍赡軙?huì)嚴(yán)重影響其產(chǎn)品的聲譽(yù)。組織或政府需要監(jiān)控民眾的抱怨,以了解他們的迫切需求。

02

貢獻(xiàn)

1、我們提出一個(gè)新穎的工作:即自動(dòng)捕捉文本中抱怨強(qiáng)度

2、我們展示了第一個(gè)中文抱怨強(qiáng)度數(shù)據(jù)集,包含來自微博平臺(tái)的3103條數(shù)據(jù)。

3、通過一系列分析實(shí)驗(yàn)進(jìn)一步證明研究抱怨強(qiáng)度的必要性和重要性,以及一些有趣的實(shí)證發(fā)現(xiàn)。

4、我們展示了我們的數(shù)據(jù)集如何幫助預(yù)測(cè)社交媒體上博文的流行度。

03

數(shù)據(jù)標(biāo)注

在這項(xiàng)工作中,我們使用Louviere and Woodworth(1991)提出的最佳最差比例法(Best-Worst Scaling, BWS)[4]注釋了抱怨強(qiáng)度。這種方法通過相互比較,可以比直接評(píng)分產(chǎn)生更穩(wěn)定和細(xì)粒度的分?jǐn)?shù)。類似的方法也被廣泛應(yīng)用于計(jì)算語言學(xué)的各種任務(wù)中,例如測(cè)量攻擊性,親密度等等。我們通過簡單的計(jì)數(shù)百分比統(tǒng)計(jì)最終為每個(gè)博文分配抱怨強(qiáng)度評(píng)分,范圍從-1(最不抱怨)到1(最抱怨)。部分標(biāo)注結(jié)果如圖2所示:

4b71a2a2-5e9c-11ed-8abf-dac502259ad0.png

圖2部分?jǐn)?shù)據(jù)標(biāo)注結(jié)果

04

主實(shí)驗(yàn)

我們建立計(jì)算模型來預(yù)測(cè)一個(gè)給定博文的抱怨強(qiáng)度,使用SVR,Bidirectional LSTM,和BERT, RoBERTa等預(yù)訓(xùn)練模型。我們?cè)趦煞N情況下評(píng)估模型的性能:(1)混合話題(Mix Hashtag),我們將來自不同話題的微博博文組合在一起;(2)交叉話題(Cross Hashtag),其中訓(xùn)練、開發(fā)和測(cè)試集的博文與不同的話題分開。我們使用皮爾遜相關(guān)性和MSE(均方誤差)作為我們所有實(shí)驗(yàn)的度量標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果如圖3所示:

4ba3f112-5e9c-11ed-8abf-dac502259ad0.png

圖3用于評(píng)估預(yù)測(cè)抱怨強(qiáng)度的Pearson系數(shù)的r和均方誤差(MSE)

05

分析實(shí)驗(yàn)

抱怨和情緒之間的差異

我們注意到更強(qiáng)烈的抱怨似乎與消極詞匯有關(guān)。先前的研究也指出,抱怨可以被視為一個(gè)有影響的情感維度[2].我們展示在標(biāo)準(zhǔn)情緒數(shù)據(jù)集上訓(xùn)練的模型在我們的抱怨強(qiáng)度預(yù)測(cè)任務(wù)中表現(xiàn)情況,如圖4所示,使用來自情緒模型的概率分?jǐn)?shù)在我們的抱怨強(qiáng)度預(yù)測(cè)任務(wù)中表現(xiàn)出不錯(cuò)的表現(xiàn),這表明了抱怨和情緒之間的明確聯(lián)系。同時(shí)在我們的標(biāo)注語料庫上訓(xùn)練的模型優(yōu)于情緒模型,這證明了我們的工作的必要性。

4bca3084-5e9c-11ed-8abf-dac502259ad0.png

圖4抱怨強(qiáng)度預(yù)測(cè)任務(wù)中情緒模型和抱怨模型的表現(xiàn)

抱怨可以加強(qiáng)情感分析任務(wù)

我們將抱怨分?jǐn)?shù)作為一個(gè)附加的特性輸入被添加到模型中。從圖5中,我們觀察到具有抱怨特征的模型比原始模型表現(xiàn)得更好。表明一個(gè)簡單的附加組件可以提高非神經(jīng)模型和傳統(tǒng)神經(jīng)模型的情緒分類預(yù)測(cè)精度,分析抱怨可以有助于二元情感分析任務(wù)。

4be9dd80-5e9c-11ed-8abf-dac502259ad0.png

圖5二元情緒預(yù)測(cè)的結(jié)果(顯著性測(cè)試p-vlaue < 0.01, t-test)

06

跨語言分析

我們最新收集的抱怨強(qiáng)度數(shù)據(jù)集是中文的,而當(dāng)前現(xiàn)有的數(shù)據(jù)集包含英文推文。這為我們提供了一個(gè)機(jī)會(huì)來了解在社交媒體上使用中文和英語的人在抱怨上的語言差異。

(1)直接和間接抱怨:中文博文中80%為間接抱怨;相反,英文推文91%的都是直接抱怨。

(2)策略:圖6顯示了不同語言的策略有所不同。我們發(fā)現(xiàn),中文使用者更傾向于不補(bǔ)償策略,而英文使用者最常用的策略是補(bǔ)償策略。

4bf739bc-5e9c-11ed-8abf-dac502259ad0.png

圖6跨語言分析中不同策略所占百分比。

(3)諷刺:10%的中文數(shù)據(jù)包含諷刺,26%的英文數(shù)據(jù)包含諷刺。圖7展示了詞性分析,中文諷刺表達(dá)中名詞比例最高,其次是動(dòng)詞;而在英文諷刺表達(dá)中,動(dòng)詞最多,其次是名詞。此外,英語中的形容詞和副詞比中文的要多。

4c13166e-5e9c-11ed-8abf-dac502259ad0.png

圖7跨語言分析的POS標(biāo)簽的百分比

07

預(yù)測(cè)博文流行度

我們?cè)O(shè)想將抱怨強(qiáng)度分?jǐn)?shù)納入現(xiàn)有的社交媒體監(jiān)控系統(tǒng)中,以提高它們的預(yù)測(cè)準(zhǔn)確性,證明了來自我們的計(jì)算模型的抱怨強(qiáng)度得分可以幫助估計(jì)社交媒體上的帖子流行度。

我們遵循Szabo的流行度計(jì)算方法[5],使用早期流行度進(jìn)行預(yù)測(cè)的基線,為了顯示我們的抱怨分?jǐn)?shù)的有效性,我們添加了抱怨強(qiáng)度作為一個(gè)新的術(shù)語來估計(jì)最終的對(duì)數(shù)流行度,公式如下所示:

4c3c4ef8-5e9c-11ed-8abf-dac502259ad0.png

圖8顯示,我們結(jié)合了抱怨密度的方法優(yōu)于基線方法。

4c5bd6b0-5e9c-11ed-8abf-dac502259ad0.png

圖8 RMSE和MAE的流行度預(yù)測(cè)

我們還展示了隨時(shí)間變化的單一話題下的流行度預(yù)測(cè),如圖9所示。我們觀察到,增加了抱怨分?jǐn)?shù)有助于更好地估計(jì)發(fā)布后的流行度,特別是在早期階段。這可能是因?yàn)楸г箍赡軙?huì)吸引用戶的注意力,以便參與討論,從而提高活動(dòng)的流行度。

4c6e7ef0-5e9c-11ed-8abf-dac502259ad0.png

圖9比較實(shí)際的博文流行度和對(duì)單一話題的流行度預(yù)測(cè)

08

總結(jié)

我們提出了第一個(gè)測(cè)量文本抱怨強(qiáng)度的研究。我們構(gòu)建了一個(gè)包含3103篇關(guān)于抱怨的中國微博文章的語料庫,并使用BWS方法標(biāo)注了抱怨強(qiáng)度評(píng)分。然后,我們證明了我們的語料庫支持自動(dòng)計(jì)算模型的發(fā)展,以準(zhǔn)確的抱怨強(qiáng)度預(yù)測(cè)。此外,我們還研究了抱怨與情緒之間的聯(lián)系,并對(duì)中文和英文之間的抱怨表達(dá)進(jìn)行了跨語言比較。我們最終證明,我們的抱怨強(qiáng)度得分有助于更好地估計(jì)社交媒體上的博文的流行度。






審核編輯:劉清

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場(chǎng)。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請(qǐng)聯(lián)系本站處理。 舉報(bào)投訴
  • SVR
    SVR
    +關(guān)注

    關(guān)注

    0

    文章

    7

    瀏覽量

    10868

原文標(biāo)題:NAACL'22 Findings | 社交媒體上的抱怨強(qiáng)度分析

文章出處:【微信號(hào):zenRRan,微信公眾號(hào):深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評(píng)論

    相關(guān)推薦
    熱點(diǎn)推薦

    模型推理顯存和計(jì)算量估計(jì)方法研究

    方法。 、引言 大模型推理是指在已知輸入數(shù)據(jù)的情況下,通過深度學(xué)習(xí)模型進(jìn)行預(yù)測(cè)或分類的過程。然而,大模型的推理過程對(duì)顯存和
    發(fā)表于 07-03 19:43

    預(yù)測(cè)性維護(hù)實(shí)戰(zhàn):如何通過數(shù)據(jù)模型實(shí)現(xiàn)故障預(yù)警?

    預(yù)測(cè)性維護(hù)正逐步成為企業(yè)降本增效的核心手段,通過數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)警邏輯框架,可以預(yù)測(cè)設(shè)備是否正常運(yùn)行,提前預(yù)警并避免損失。案例中,通過振動(dòng)傳感器采集數(shù)據(jù),發(fā)現(xiàn)軸承故障,通過隨機(jī)森林模型建立
    的頭像 發(fā)表于 03-21 10:21 ?923次閱讀
    <b class='flag-5'>預(yù)測(cè)</b>性維護(hù)實(shí)戰(zhàn):如何通過數(shù)據(jù)<b class='flag-5'>模型</b>實(shí)現(xiàn)故障預(yù)警?

    請(qǐng)問是否可以在模型服務(wù)器中使用REST請(qǐng)求OpenVINO?預(yù)測(cè)?

    是否可以在模型服務(wù)器中使用 REST 請(qǐng)求OpenVINO?預(yù)測(cè)?
    發(fā)表于 03-05 08:06

    DLP NIRScan Nano光照強(qiáng)度如何計(jì)算

    我獲取到了Nano的掃描數(shù)據(jù),在對(duì)數(shù)據(jù)進(jìn)行解析的時(shí)候遇到了個(gè)問題,我搞不明白光照強(qiáng)度是如何得出來的,我在例程庫里邊找到了代碼,我沒看懂,還有就是按照代碼計(jì)算出來的光強(qiáng)是不正確的,請(qǐng)
    發(fā)表于 02-28 07:30

    百度下心大模型正式開源

    隨著心大模型的迭代升級(jí)和成本不斷下降,言將于4月1日0時(shí)起全面免費(fèi),所有PC端和APP端用戶均可體驗(yàn)心系列最新
    的頭像 發(fā)表于 02-17 13:44 ?515次閱讀

    信道預(yù)測(cè)模型在數(shù)據(jù)通信中的作用

    在現(xiàn)代通信系統(tǒng)中,數(shù)據(jù)傳輸?shù)目煽啃院托适呛饬肯到y(tǒng)性能的關(guān)鍵指標(biāo)。信道預(yù)測(cè)模型作為通信系統(tǒng)中的個(gè)核心組件,其作用在于預(yù)測(cè)信道條件的變化,從
    的頭像 發(fā)表于 01-22 17:16 ?787次閱讀

    電子發(fā)燒友榮獲電子工業(yè)出版社視點(diǎn) “2024 年度卓越合作伙伴”

    近日,憑借過去年在書籍測(cè)評(píng)活動(dòng)等方面的深度合作與卓越表現(xiàn),電子發(fā)燒友榮膺電子工業(yè)出版社視點(diǎn) “2024 年度卓越合作伙伴” 的殊榮,表彰電子發(fā)燒友在過去年中與
    發(fā)表于 01-20 15:46

    說清楚什么是AI大模型

    DALL-E)、科學(xué)計(jì)算模型(如 AlphaFold)以及多模態(tài)模型。這些模型通過海量數(shù)據(jù)訓(xùn)練,展現(xiàn)出高度的泛用性。 比較有代表性的大語言模型
    的頭像 發(fā)表于 01-02 09:53 ?1664次閱讀
    <b class='flag-5'>一</b><b class='flag-5'>文</b>說清楚什么是AI大<b class='flag-5'>模型</b>

    AI模型部署邊緣設(shè)備的奇妙之旅:目標(biāo)檢測(cè)模型

    設(shè)為96)。通過 CSP 結(jié)構(gòu)實(shí)現(xiàn) top-down 和 bottom-up 的特征融合??s小的特征使得計(jì)算成本更低且不損失準(zhǔn)確性。此外,在原有 CSP-PAN 的頂部加入了個(gè)特征圖尺度分支
    發(fā)表于 12-19 14:33

    不同頻率源如何給定頻率

    不同頻率源的頻率給定方式多種多樣,主要取決于變頻器的型號(hào)、功能和應(yīng)用場(chǎng)景。以下是些常見的頻率給定方式及其具體操作方法: 、面板給定 方式
    的頭像 發(fā)表于 09-25 17:26 ?1212次閱讀

    變頻器的頻率給定方式有幾種

    景。 1. 模擬電壓給定 模擬電壓給定是變頻器最常用的頻率給定方式之。它通過個(gè)模擬電壓信號(hào)
    的頭像 發(fā)表于 09-25 17:22 ?2337次閱讀

    介紹FIR濾波模型建立,分4個(gè)步驟

    本帖介紹FIR濾波模型建立,分以下幾個(gè)步驟: 選定濾波結(jié)構(gòu):低通、高通、帶通、帶阻; 選定合適的窗函數(shù),常見的有hamming、hanning、blackman、ExactBlackman
    發(fā)表于 09-04 09:08

    請(qǐng)問如何建立XTR110KU的Spice模型?

    怎么建立XTR110KU的Spice模型
    發(fā)表于 09-02 06:11

    NVIDIA Modulus助力風(fēng)阻預(yù)測(cè)模型實(shí)現(xiàn)

    NVIDIA 與百度飛槳雙方技術(shù)團(tuán)隊(duì)通過在數(shù)據(jù)、算法、模型等多個(gè)方面的合作,共同打造了款適用于車輛空氣動(dòng)力學(xué)數(shù)值模擬的 3D 高精度汽車風(fēng)阻預(yù)測(cè)模型——DNNFluid-Car。經(jīng)過
    的頭像 發(fā)表于 08-23 17:10 ?1413次閱讀

    談FPGA設(shè)計(jì)中的功率計(jì)算

    計(jì)算器。 有個(gè)完整的系統(tǒng)級(jí)理解和精確的功率模型將能使設(shè)計(jì)師作出必要的決擇,從而完成設(shè)計(jì)。然后,設(shè)計(jì)者可以集中精力于降低功耗,其中包括以下幾個(gè)方面: 降低設(shè)備的工作電壓 優(yōu)化時(shí)鐘頻率
    發(fā)表于 07-31 22:37