![](https://csdnimg.cn/release/download_crawler_static/86881789/bg3.jpg)
好的效果,因此使用这种方法的情感分析模型通用性不是很强
[7]
。基于机器学习
的情感分析的思想是构建情感分析模型,通过有标签的训练数据对模型不断地
进行训练,直到模型达到令人满意的效果。Zhu 等
[8]
使用支持向量机(SVM)对
文本进行情感分类,同时结合基于情感词典的朴素贝叶斯方法设计了一种集成
学习模型;Zeng 等
[9]
使用双重注意力模型学习各级特征权重分布,从词语级和句
子级来分析整体文本情感;Liu 等
[10]
使用 Bert 词向量模型对文本进行处理,得到
上下文感知的词向量,将词向量输入到长短时记忆网络 LSTM 中捕获特征,最后
使用注意力机制为输出词分配权重得到预测结果。相较于基于情感词典的方法,
采用机器学习方法的情感分析模型在模型的拓展性、预测准确性方面都具有较
大的优势。
1.2 图片情感分析
由于图片中包含的情感带有较强的抽象性和主观性,所以相较于文本情感
分析,图片情感分析更加复杂。Fu 等
[11]
通过 HSV 颜色空间、黄金分割比例及二
维 Gabor 小波变换分别提取图像的全局颜色特征、局部颜色特征和全局纹理
特征,使用神经网络进行情感分类,这类提取图片的颜色、纹理、构图等视觉特
征进行情感分析的方法被称为基于低级特征的方法,早期的图片的情感分析多
采 用 这 种 方 式 。 Borth 等
[12]
使 用 1200 个 形 容 词 - 名 词 对 (Adjective Noun
Pairs,ANP)构建了大型视觉本体库,提出了一种视觉概念检测器 SentiBank 用
于图片情感检测,这类方法利用到了图片中更加复杂抽象的特征,所以被称为基
于中级特征的方法。随着深度学习的发展,研究人员开始使用深度学习的方式
来自动获取图片特征。Rao 等
[13]
设计了一种多层 CNN 网络,通过提取图片不同
层次的深层表征,例如低级特征和高 级特征,并使用全连接层进行特征融合 ,从
而实现图片情感分类;You 等
[14]
使用基于迁移学习的方法,将在 ImageNet 图片
数据上预训练好的模型迁移到目标图片数据上,通过对网络结构的微调适配图
片情感分析任务。使用深度学习方式的模型不再依赖于人工提取图片特征,泛
化效果更好,近年来受到了研究人员的广泛关注。
1.3 多模态情感分析