情感计算
全新正版 极速发货
￥ 63.9 7.2折 ￥ 89 全新
库存3件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者秦兵//赵妍妍//林鸿飞//王素格//徐睿峰|
出版社机械工业
ISBN9787111754633
出版时间2024-09
装帧平装
开本其他
定价89元
货号32161367
上书时间2024-11-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
秦兵哈尔滨工业大学计算学部教授/博士生导师，哈尔滨工业大学社会计算与信息检索研究中心主任，国家重点研发课题、国家自然科学基金重点项目负责人。科技部科技创新2030-“新一代人工智能”重大项目管理专家组专家，中国中文信息学会常务理事、语言与知识计算专委会副主任、情感计算专委会主任,黑龙江省计算机学会自然语言处理专委会主任。主持多项国家及省部级项目，获中文信息学会钱伟长中文信息处理科学技术奖一等奖、黑龙江省科学技术一等奖、黑龙江省科学技术二等奖。入选“2020年度人工智能全球女性及AI2000最具影响力学者榜单”和“福布斯中国2020科技女性榜”,连续四年（2020-2023年）入选爱思唯尔高被引学者榜单。<br/><br/>赵妍妍哈尔滨工业大学计算学部教授、博士生导师，加州大学伯克利分校访问学者。目前担任中国中文信息学会社会媒体处理专委会委员，是多个国内外会议和期刊的审稿人。近年来主持项目多项，包括国家自然科学面上基金、教育部人文社科项目等。在顶级国际会议ACL、AAAI等上发表相关领域的学术论文近百篇。<br/>林鸿飞大连理工大学二级教授，校学术委员会委员。主要研究方向为自然语言处理、情感计算、幽默计算等。担任中国人工智能学会理事、语言智能专委会副主任；中国中文信息学会常务理事、情感计算专委会副主任。担任《中文信息学报》《模式识别与人工智能》、SCI期刊JBI等编委。入选辽宁省百千万人才工程百人层次。<br/>王素格 山西大学计算机与信息技术学院教授、博士生导师。主要研究方向是自然语言处理和情感计算，兼任中国中文信息学会理事、情感计算专委会副主任、社会媒体处理专委会常务委员、计算语言学专委会委员等职。主持国家自然科学基金项目多项，在国际重要学术期刊和会议发表论文100余篇。获得山西省科学技术进步一等奖和二等奖。<br/>徐睿峰哈尔滨工业大学（深圳）教授，长期从事自然语言处理、情感计算、社交媒体处理研究。担任亚洲自然语言处理联合会亚洲语言资源委员会主席，中国人工智能学会理事、青工委副主任，中国中文信息学会理事、情感计算专委会秘书长，先后获钱伟长中文信息处理科学技术奖一等奖、教育部/广东省 /黑龙江省科技进步二等奖各一项。
目录
目 录<br />序<br />前言<br />第1章 绪论 1<br />1.1 情感计算概述 1<br />1.1.1 情感及其意义 1<br />1.1.2 情感计算的概念与历史 2<br />1.1.3 情感计算的内容 2<br />1.2 从资源到表示 3<br />1.2.1 情感分类标准 3<br />1.2.2 情感词典 4<br />1.2.3 情感语义表示 4<br />1.3 从识别到生成 5<br />1.3.1 情感分析 5<br />1.3.2 情感原因发现 7<br />1.3.3 情感生成 7<br />1.4 从单模态到多模态 8<br />1.4.1 单模态情感分析 8<br />1.4.2 多模态情感分析 9<br />1.5 从个体到群体 9<br />1.5.1 个体情感 9<br />1.5.2 群体情感 10<br />1.5.3 个体情感和群体情感的<br />区别与联系 10<br />1.6 从理论到应用 10<br />1.6.1 推荐系统 11<br />1.6.2 抑郁症预测 11<br />1.6.3 聊天机器人 12<br />参考文献 12<br />第2章 文本情感语义表示 14<br />2.1 文本情感语义表示简介 14<br />2.1.1 文本情感语义表示的<br />基本概念 14<br />2.1.2 文本情感语义表示的<br />研究任务 18<br />2.2 静态情感语义表示学习 20<br />2.2.1 算法思想 20<br />2.2.2 代表性算法模型 21<br />2.3 动态情感语义表示学习 27<br />2.3.1 算法思想 28<br />2.3.2 代表性算法模型 28<br />2.4 文本情感语义表示的未来<br />展望 39<br />2.5 本章总结 40<br />参考文献 41<br />第3章 粗粒度文本情感分类 43<br />3.1 粗粒度文本情感分类简介 43<br />3.1.1 文档级情感分类的基本<br />概念 43<br />3.1.2 跨领域文本情感分类的<br />基本概念 44<br />3.1.3 跨语言情感分类的基本<br />概念 44<br />3.2 基于传统机器学习的文本情感<br />分类方法 45<br />3.2.1 基于无监督的文本情感<br />分类方法 45<br />3.2.2 基于情感特征的统计机器学<br />习文本情感分类方法 46<br />3.3 基于深度学习的文本情感<br />分类方法 48<br />3.3.1 基于递归神经网络的<br />文本情感分类 48<br />3.3.2 基于卷积神经网络的<br />文本情感分类 50<br />3.3.3 基于循环神经网络的<br />文本情感分类 51<br />3.4 跨领域文本情感分类 55<br />3.4.1 基于实例迁移策略的跨<br />领域文本情感分类 55<br />3.4.2 基于特征迁移策略的跨<br />领域文本情感分类 56<br />3.4.3 基于参数迁移策略的跨<br />领域文本情感分类 57<br />3.5 跨语言文本情感分类 59<br />3.5.1 基于机器翻译的方法 60<br />3.5.2 基于预训练模型的方法 61<br />3.5.3 基于生成对抗网络的方法 63<br />3.6 本章总结 64<br />参考文献 65<br />第4章 细粒度情感分析 68<br />4.1 细粒度情感分析任务及基本要素 68<br />4.2 经典的属性级情感分析任务 71<br />4.2.1 属性抽取 71<br />4.2.2 属性情感分类 73<br />4.2.3 <属性，情感>配对抽取 77<br />4.3 属性类别相关的细粒度情感分析 78<br />4.3.1 属性类别的检测 79<br />4.3.2 基于属性类别的情感分类 79<br />4.3.3 属性类别–情感的联合<br />分类 79<br />4.4 观点词相关的细粒度情感分析 80<br />4.4.1 属性词和观点词的联合<br />抽取 80<br />4.4.2 基于属性词的观点词抽取 81<br />4.4.3 <属性词,观点词>配对<br />抽取 81<br />4.5 多元组形式的细粒度情感分析 81<br />4.5.1 <属性词,属性类别,情感<br />极性>三元组抽取 81<br />4.5.2 <属性词,观点词,情感<br />极性>三元组抽取 82<br />4.5.3 <属性词,属性类别,<br />观点词,情感极性><br />四元组抽取 84<br />4.6 包含更多要素的细粒度情感分析 84<br />4.6.1 包含观点持有者的细粒度<br />情感分析 85<br />4.6.2 基于比较观点的细粒度<br />情感分析 85<br />4.7 细粒度情感分析的挑战 86<br />4.8 本章总结 87<br />参考文献 87<br />第5章 隐式情感分析 92<br />5.1 隐式情感分析基本概念 92<br />5.2 事实型隐式情感分析 94<br />5.2.1 基于语言特征的隐式情感<br />分析方法 94<br />5.2.2 基于情感常识知识表示的<br />事实型隐式情感分析方法 95<br />5.2.3 基于异构用户知识融合的<br />隐式情感分析 97<br />5.3 比喻/隐喻型隐式情感 98<br />5.3.1 基于词语特性的隐喻分析<br />方法 99<br />5.3.2 基于语义场景不一致的<br />隐喻序列标注方法 100<br />5.4 反讽型隐式情感分析 103<br />5.4.1 基于词汇信息和上下文<br />的反讽识别方法 103<br />5.4.2 融合语言特征及背景信息的<br />反讽型隐式情感识别方法 104<br />5.4.3 基于情感对比和多视角<br />注意力的反讽识别方法 106<br />5.5 反问型隐式情感分析 107<br />5.5.1 基于句法结构的反问型<br />情感分析方法 108<br />5.5.2 基于多特征融合的反问型<br />隐式情感分析方法 109<br />5.6 幽默识别 111<br />5.6.1 幽默识别的基本概念 111<br />5.6.2 基于语音和模糊性语义<br />理解的门控注意力机制<br />的幽默识别方法 112<br />5.7 隐式情感语料库 113<br />5.8 本章总结 114<br />参考文献 114<br />第6章 情感原因分析 119<br />6.1 问题定义与分类 119<br />6.2 情感原因识别方法 121<br />6.2.1 基于规则的方法 121<br />6.2.2 基于统计的机器学习方法 123<br />6.2.3 基于深度学习的方法 125<br />6.2.4 各类方法的特点分析 131<br />6.3 情感–原因对联合抽取方法 132<br />6.3.1 基于流水线结构的方法 132<br />6.3.2 基于端到端结构的方法 133<br />6.4 展望 139<br />参考文献 142<br />第7章 文本立场检测 145<br />7.1 文本立场检测定义与分类 145<br />7.2 特定目标立场检测 147<br />7.2.1 基于规则的方法 147<br />7.2.2 基于统计的机器学习<br />方法 148<br />7.2.3 基于深度学习的方法 150<br />7.3 多目标立场检测 153<br />7.4 跨目标立场检测 156<br />7.4.1 基于知识迁移的模型 156<br />7.4.2 基于图网络的模型 158<br />7.4.3 融合外部知识的方法 159<br />7.5 零样本立场检测 159<br />7.5.1 基于知识迁移的模型 159<br />7.5.2 基于对比学习的模型 160<br />7.5.3 融合外部知识的方法 162<br />7.6 其他立场检测相关研究 163<br />7.7 本章总结 164<br />参考文献 164<br />第8章 计算论辩 167<br />8.1 论辩理论 167<br />8.2 独白式论辩 169<br />8.2.1 论辩挖掘 170<br />8.2.2 论辩质量评估 172<br />8.3 对话式论辩 174<br />8.3.1 交互论点对识别 175<br />8.3.2 对话式论辩生成 176<br />8.4 论辩应用 179<br />8.4.1 智慧论辩 179<br />8.4.2 智慧教育 181<br />8.4.3 司法领域 182<br />8.5 总结和未来方向 184<br />参考文献 185<br />第9章 情感生成 187<br />9.1 情感生成简介 187<br />9.1.1 情感生成的基本概念 187<br />9.1.2 情感生成的主要研究<br />任务 189<br />9.2 主观评论生成 190<br />9.2.1?结合推荐系统 192<br />9.2.2?融合细粒度信息 193<br />9.2.3?扩展输入知识源 194<br />9.3 情感对话系统 196<br />9.3.1 情感对话生成 196<br />9.3.2 融合共情的对话交互 200<br />9.3.3 基于情绪支持策略的<br />对话交互 204<br />9.4 情感生成的未来展望 208<br />9.5 本章总结 209<br />参考文献 209<br />第10章 多模态情感计算研究 212<br />10.1?基于语音的情感语义表示学习 212<br />10.1.1?语音情感分析的背景 212<br />10.1.2?情感描述方法 214<br />10.1.3?语音情感特征提取 216<br />10.1.4?语音情感识别模型 218<br />10.1.5 海量互联网语音半监督<br />情感分析 219<br />10.2?基于图像的情感语义表示学习 222<br />10.2.1?图像情感分析的背景 222<br />10.2.2?可解释的图像情感分析 223<br />10.2.3?图像的美学风格理解 224<br />10.2.4 图像生成 225<br />10.2.5?计算美学的其他应用 227<br />10.3 多模态心理健康计算 229<br />10.3.1 多模态心理健康计算<br />简介 229<br />10.3.2 单一数据集的多模态<br />抑郁检测 230<br />10.3.3 跨平台的多模态抑郁<br />检测 233<br />10.4 本章总结 237<br />参考文献 237<br />第11章 情感分析的评测与资源<br />介绍 241<br />11.1 情感词典 241<br />11.1.1 情感词典的构建方法 241<br />11.1.2 情感词典资源介绍 246<br />11.1.3 小结 247<br />11.2 情感分析语料库 247<br />11.2.1 情感分析语料库构建 247<br />11.2.2 情感语料资源介绍 248<br />11.2.3 情绪语料资源介绍 249<br />11.2.4 多模态情感语料资源<br />介绍 250<br />11.2.5 对话情感语料资源介绍 253<br />11.2.6 小结 254<br />11.3 情感分析评测 254<br />11.3.1 国外情感分析评测 255<br />11.3.2 国内情感分析评测 258<br />11.3.3?小结 259<br />11.4 情感分析资源延展阅读 259<br />11.5 本章总结 260<br />参考文献 260<br />第12章 情感计算应用 263<br />12.1 推荐系统中的情感计算 263<br />12.1.1 推荐系统中的情感计算<br />简介 263<br />12.1.2 情感计算在推荐系统中<br />的去偏差应用 264<br />12.1.3 情感计算在推荐系统中<br />的增加可解释性应用 266<br />12.2 心理健康诊断中的情感<br />计算 270<br />12.2.1 概述 270<br />12.2.2 情感计算在抑郁检测中<br />的应用 270<br />12.2.3 情感计算在抑郁检测中<br />的相关研究方法 272<br />12.2.4 抑郁检测中的案例<br />分析 275<br />12.2.5 抑郁检测相关数据集 278<br />12.2.6 心理健康诊断领域的<br />研究展望 281<br />12.3 媒体数据情感分析中的情感<br />计算 281<br />12.3.1 经济、市场与服务中的<br />情感分析 281<br />12.3.2 自然灾害管理中的情感<br />分析 284<br />12.4 本章总结 288<br />参考文献 288<br />第13章 大模型时代下的情感<br />计算 291<br />13.1 大模型时代下的机遇与挑战 291<br />13.2 大模型时代下现有情感计算研究<br />方向进展 292<br />13.2.1 细粒度情感分析 292<br />13.2.2 情感对话生成 297<br />13.2.3 多模态情感分析 303<br />13.3 大模型时代下涌现的新的研究<br />方向 307<br />13.4 本章总结 312<br />参考文献 312
内容摘要
近年来，在深度学习、大数据等革命性技术的推动下，人工智能领域迎来了又一个春天。在人工智能的研究中，既包括对于人类理性思维的模拟，还包括对人类感性思维的计算。本书重点讲述的文本情感分析技术就属于后者。该技术源于自然语言处理领域，但也有别于一般的自然语言处理任务。文本情感分析面向的处理对象是社交媒体中产生的用户评论文本，该
— 没有更多了 —
以下为对购买帮助不大的评价