共查询到20条相似文献，搜索用时 31 毫秒
1.
[目的/意义]大数据环境下,传统的竞争对手识别方法存在局限性,文章针对这种不足提出了一种能够适应大数据环境的竞争对手识别方法。[方法/过程]第一,基于互联网下顾客价值领先战略,从消费者角度出发,选择基于消费者情感特征的竞争对手评价体系;第二,以顾客评论作为数据源,通过对评论文本分析,提取顾客关注的产品特征;第三,基于文本情感分析技术计算企业相应产品特征的顾客情感得分;第四,基于自组织神经网络(SOM)构建竞争对手识别模型,并根据模型结果识别目标企业竞争对手。[结果/结论]使用酒店行业顾客评论数据进行实验,证实了该方法能够在大数据环境下快速、高效、客观地识别企业竞争对手。 相似文献
2.
[目的/意义]丰富的互联网数据为洞悉真实事件提供了多维视角,快速识别突发事件并准确判断其所属类别,有助于各级政府及应急管理部门高效地管理应急情报资源。[方法/过程]文章构建了基于文本—图像增强的突发事件识别及分类的理论模型;通过文本卷积神经网络、视觉几何群网络搭建深度神经网络共同组成Multi-DNN模型;最后以真实的自然灾害类突发事件数据进行实例验证。[结果/结论]通过文本、图像相互增强,多模态特征融合能够提升突发事件识别及分类的准确率,同时在小样本数据的任务处理中仍有良好效果,证明不同模态的数据能够相互补充、相互印证,对其融合处理能够提供比单一模态更为准确和全面的信息分析。 相似文献
3.
4.
[目的/意义]针对突发事件分类研究中模态单一或缺失、分类效果不理想等问题，本文提出结合文本和图片特征信息，以多模态融合的方式对突发事件进行分类。[方法/过程]本文提出一种基于多模态融合的突发事件分类模型(Emergency Classification Model with Hybrid Fusion, ECMHF),由BERT联动BiLSTM构成的文本特征抽取分类模型、VGG19为基础的图像特征抽取分类模型、融合文本描述特征和视觉语义特征的多模态融合层加上预测类别输出层组成的多模态分类模型3部分构成主体框架，最后将所有模型的决策层输出分配权重后再融合。[结果/结论]以收集的突发事件新闻数据为实验样本进行实证研究。结果表明，ECMHF模型在所有模型中性能最佳，F1值达到最高的99.072%,比次优模型高出0.51%。加入混合融合策略的ECMHF模型能够有效地识别出突发事件的类别。未来将在更为广泛和多元的突发事件多模态数据集中进行验证。 相似文献
5.
[目的/意义]随着网络化和数字化的快速发展，线上线下医疗健康活动产生了海量多模态数据，当前迫切需要一种更为完善的知识组织方法，对类型繁多、专业性强的医疗健康多模态数据进行序化和组织。[方法/过程]首先对多模态数据进行预处理以构建多模态医疗健康数据集；接着基于实体对齐和关系抽取实现医疗健康数据的知识单元抽取，并通过知识评估和融合构建多模态知识单元；然后在多模态知识单元和知识图谱基础上提出一种面向多模态医疗健康数据的知识组织模式；最后以文本和图像模态数据为例，以医疗健康问答系统为实践应用进行分析和验证。[结果/结论]针对多模态医疗健康数据的内在特性，基于多模态知识图谱和语义知识组织框架，提出一种面向多模态医疗健康数据的知识组织模式。本研究推进了多模态知识组织的理论深度，可为医疗健康领域知识序化、精准知识服务和深度知识发现提供有效支撑。 相似文献
6.
[目的/意义]准确把握公众微博评论中所反映的公众观点并总结舆论焦点,有助于及时获取和引导社会舆情态势,对政府公信力、快速响应能力及执行力提升具有支撑作用。[方法/过程]文章针对当前政府微博评论社会功能发挥的现实要求和其文本特征挖掘的技术需求,从基于深度学习的文本智能语义理解和挖掘出发,提出了适用的细粒度四元组标注策略,构建了政府微博评论观点抽取与焦点呈现的深度学习模型POF-BiLSTM-CRF,即通过细粒度标注策略确定、Word2vec训练词向量、BiLSTM评论特征学习进行标签及其概率输出、CRF学习上下文实现微博评论标注优化,以及观点聚类和主题词提取后最终呈现舆论焦点。[结果/结论]针对"中国警方在线"微博评论的实验表明,文章所提研究框架和模型能够有效进行舆论观点的智能化提取,为快速把握公众观点及为政府决策提供了参考。 相似文献
7.
[目的/意义]多模态资源虽类型丰富但分散无序,挖掘多模态资源间隐含的知识关联进而实现跨模态、多角度的知识重组,对于多模态资源的智能管理与深层服务都具有重要的价值。[方法/过程]文章立足知识服务的特点与需求,结合多模态资源的特征,探讨多模态资源的知识挖掘方案,并基于此方案探讨可通用的多维度知识重组方案。在此基础上,以多模态红色资源为代表,通过对红色人物陈毅相关多模态资源的获取与处理,实现相关文本、图像、视频资源的知识重组,开发了可视化知识服务平台“陈年毅事”,并从时间、地点、人物、主题等不同维度探讨了可视化知识服务的实现路径。[结果/结论]通过实证研究,验证所提出知识重组方案的适用性与可行性,可以为多模态资源的深度挖掘、多维组织与服务应用提供一定的借鉴与参考。[局限]图像及视频资源有待更深层的挖掘;知识关联方式还有待补充。 相似文献
8.
[目的/意义]提出融合母评论文本信息的评论短文本情感分类模型以提高互联网环境下短文本评论情感分析效果,适应舆情工作中的实际应用需求。[方法/过程]以短视频平台舆情事件的评论数据为实验对象,利用GRU提取母评论文本特征和直接提取评论区特征,分别将这些特征与CNN提取原评论文本特征并行融合进行情感分类。[结果/结论]相较于传统深度学习方法,引入的母评论文本特征使两个数据集的情感分类效果都获得了一定提升,F1值等均分别提升了2%和1%,说明本文提出的特征引入方案能够提升评论短文本的分类效果,为舆情工作中的情感监测实际应用提供了思路,验证了舆情相关理论研究对实际技术应用有借鉴和指导意义。 相似文献
9.
【目的/意义】本文融合文本和图像的多模态信息进行情感识别,引入图片模态信息进行情感语义增强,旨在
解决单一文本模态信息无法准确判定情感极性的问题。【方法/过程】本文以网民在新浪微博发表的微博数据为实
验对象,提出了一种基于DR-Transformer模型的多模态情感识别算法,使用预训练的DenseNet和RoBERTa模型,
分别提取图片模态和文本模态的情感特征;通过引入Modal Embedding机制,达到标识不同模态特征来源的目的;
采用浅层Transformer Encoder对不同模态的情感特征进行融合,利用Self-Attention机制动态调整各模态信息特征
的权重。【结果/结论】在微博数据集上的实验表明：模型情感识别准确率为 79.84%;相较于基于单一文本、图片模
态的情感分类算法,本模型准确率分别提升了 4.74%、19.05%;相较于对不同模态特征向量进行直接拼接的特征融
合方法,本模型准确率提升了 1.12%。充分说明了本模型在情感识别的问题上具有科学性、合理性、有效性。【创
新/局限】利用 Modal Embedding 和 Self-Attention 机制能够有效的融合多模态信息。微博网络舆情数据集还需进
一步扩充。 相似文献
10.
[目的/意义] 提出一种基于在线产品评论的竞争情报挖掘框架,为企业改进产品设计和制定竞争策略提供参考。[方法/过程] 利用Word2vec技术构建产品特征词集合,识别用户评论主题特征。然后使用情感分析方法对评论文本进行分类,得到特征维度的评论情感。最后从产品主题特征和情感态度特征两方面进行数据分析,并以可视化结果呈现。[结果/结论] 以汽车行业的评论数据为例进行实验,结果表明该方法能够有效提取产品情报信息,帮助企业有效识别自身品牌及竞争对手的优势和劣势,为大数据环境下的竞争情报挖掘提供方法指导。 相似文献
11.
[目的/意义]为了实现从非结构化的在线评论中有效提取用户需求,文章提出了数据驱动下产品需求识别的方法。[方法/过程]利用Word2vec表示学习方法,获取评论文本内容的语义向量表示;结合K-means算法和LSA模型实现评论文本聚类,识别产品需求主题;在此基础上,通过网络分析方法探索需求主题间的关联关系。以华为手机的评论数据为例进行方法验证。[结果/结论]结果表明,基于语义的文本特征可以取得较好的聚类效果,与传统方法相比,CH指标和SC指标均得到显著提高,验证了该方法的有效性。研究方法和结果能够为企业产品创新和运营决策提供一定参考。[局限]样本数据集规模不够,缺少跨平台实验计算和比较。 相似文献
12.
13.
[目的/意义]社会化在线评论与传统的专业性评论相比,具有更为显著的传播速度和影响力。文本评论中的情感因素并非单纯的数量化评分能够完全体现的。对本文评论中情感因素的测量与分析,能够有助于在线评论的全角度识别与揭示,更加客观准确地反映在线评论的价值。[过程/方法]通过提取用户发布的在线文本评论数据,采用有监督机器学习的算法,分别计算文本评论的情感分类得分、情感倾向得分、综合情感得分。从类型、地区、人数多个维度对情感得分与总评分进行交叉对比分析。[结果/结论]研究结果表明,文本评论蕴含的情感因素对总评分具有部分的影响作用。用户的认知偏好、社会文化背景和评论人数占比会对情感因素的有用性产生影响。 相似文献
14.
[目的/意义]作为科技创新的重要手段,技术融合预测对于改进技术研发的策略选择具有重要参考和借鉴意义,文章提出一种专利共类与深度学习模型结合的技术融合预测方法,以提高预测结果的准确性和可靠性。[方法/过程]以燃料电池技术为例,首先采用关联规则挖掘算法识别专利数据中具有强关联的IPC频繁项集,计算技术相对相似度,基于AP聚类算法进行技术聚类;然后运用生成式拓扑映射算法识别其中技术融合点,构建训练数据集和测试数据集。最后基于深度学习模型进行学习训练,预测燃料电池技术未来可能出现的技术融合。[结果/结论]这种方法在准确率和召回率上表现优异,可以快速、客观地识别技术融合,为技术创新的智能决策和预测提供支持和帮助。 相似文献
15.
[目的/意义]大数据时代智慧图书馆用户需要精确智能的检索工具，而移动视觉搜索技术能够满足用户以视觉资源数据为中心的检索需求。[方法/过程]文章在分析国内外基于深度学习的视觉资源识别技术的研究基础之上，构建了基于深度学习的智慧图书馆移动视觉搜索服务模式模型，并设计了模型的工作流程，最后对基于深度学习的智慧图书馆移动视觉搜索系统的发展趋势进行了展望。[结果/结论]将深度学习融入智慧图书馆移动视觉搜索系统中，可以整合多源异构视觉数据、贴合用户个性化偏好以及提高移动视觉搜索系统性能。 相似文献
16.
[目的/意义]理解用户需求是企业管理实践中的重要一环,在线评论作为用户偏好表达的重要渠道,是企业发现用户需求的重要数据来源。因此,如何从在线评论中有效挖掘出用户需求,是一个重要的研究问题。[方法/过程]文章构建了一个基于KANO模型、面向在线评论的用户需求分析框架。首先利用LDA主题模型从在线评论中抽取商品属性,然后基于BERT模型标注出不同属性上的评论短句,并对其进行情感分析,最后依据不同属性上的评论短句与情感分析结果,通过KANO模型分析用户属性需求。以手机评论数据为例对模型进行验证。[结果/结论]将商品属性分为必备属性、期望属性、魅力属性与无差异属性四类,并以可视化结果呈现。实验结果表明面向在线评论的用户需求分析框架能够有效提取在线评论中用户的属性需求信息,为企业提供产品改进策略参考。[局限]样本数据集有限,存在不均衡状况。 相似文献
17.
[目的/意义]理解用户需求是企业管理实践中的重要一环,在线评论作为用户偏好表达的重要渠道,是企业发现用户需求的重要数据来源。因此,如何从在线评论中有效挖掘出用户需求,是一个重要的研究问题。[方法/过程]文章构建了一个基于KANO模型、面向在线评论的用户需求分析框架。首先利用LDA主题模型从在线评论中抽取商品属性,然后基于BERT模型标注出不同属性上的评论短句,并对其进行情感分析,最后依据不同属性上的评论短句与情感分析结果,通过KANO模型分析用户属性需求。以手机评论数据为例对模型进行验证。[结果/结论]将商品属性分为必备属性、期望属性、魅力属性与无差异属性四类,并以可视化结果呈现。实验结果表明面向在线评论的用户需求分析框架能够有效提取在线评论中用户的属性需求信息,为企业提供产品改进策略参考。[局限]样本数据集有限,存在不均衡状况。 相似文献
18.
[目的/意义]网络用户主要通过购物类、社交类和点评类三种常见网络类型平台发表带有情感倾向的评论,但是由于用户群体、可评论时间、可评论次数以及评论方式等的不同,使得这三种网站类型中的用户对于同一主题的情感表达存在较大差异。文章从用户情感表达特征角度对比评测购物类、社交类和点评类三种主流网络平台中用户情感评论特点,为情感分析数据源选择提供借鉴。[方法/过程]在情感分析的基础上,通过对评论特点、用户情感特征和用户痛点等的对比分析和实证分析,探索三种平台的情感表达特点。[结果/结论]实验结果表明,不同类型网络平台评论的主要内容、情感特征以及痛点表现方面均存在明显差异,进而对情感分析信息源选择提供依据。 相似文献
19.
20.
[目的/意义]在非结构化语料集中抽取知识要素,是实现知识图谱的重要环节,本文探索了应用深度学习中的卷积神经网络（CNN）模型进行旅游领域知识关系抽取方法。[方法/过程]抓取专业旅游网站的相关数据建立语料库,对部分语料进行人工标注作为训练集和测试集,通过Python语言编程实现分词、向量化及CNN模型,进行关系抽取实验。[结果/结论]实验结果表明,应用卷积神经网络对非结构化的旅游文本进行关系抽取时能够取得满意的效果（Precision 0.77,Recall 0.76,F1-measure 0.76）。抽取结果通过人工校对进行优化后,可以为旅游知识图谱构建、领域本体构建等工作奠定基础。 相似文献