情感计算

作者简介

推荐阅读

参考文献

13.4 本章总结

13.3 大模型时代下涌现的新的研究方向

13.2.3 多模态情感分析

13.2.2 情感对话生成

13.2.1 细粒度情感分析

13.2 大模型时代下现有情感计算研究方向进展

13.1 大模型时代下的机遇与挑战

第13章 大模型时代下的情感计算

参考文献

12.4 本章总结

12.3.2 自然灾害管理中的情感分析

12.3.1 经济、市场与服务中的情感分析

12.3 媒体数据情感分析中的情感计算

12.2.6 心理健康诊断领域的研究展望

12.2.5 抑郁检测相关数据集

12.2.4 抑郁检测中的案例分析

12.2.3 情感计算在抑郁检测中的相关研究方法

12.2.2 情感计算在抑郁检测中的应用

12.2.1 概述

12.2 心理健康诊断中的情感计算

12.1.3 情感计算在推荐系统中的增加可解释性应用

12.1.2 情感计算在推荐系统中的去偏差应用

12.1.1 推荐系统中的情感计算简介

12.1 推荐系统中的情感计算

第12章 情感计算应用

参考文献

11.5 本章总结

11.4 情感分析资源延展阅读

11.3.3 小结

11.3.2 国内情感分析评测

11.3.1 国外情感分析评测

11.3 情感分析评测

11.2.6 小结

11.2.5 对话情感语料资源介绍

11.2.4 多模态情感语料资源介绍

11.2.3 情绪语料资源介绍

11.2.2 情感语料资源介绍

11.2.1 情感分析语料库构建

11.2 情感分析语料库

11.1.3 小结

11.1.2 情感词典资源介绍

11.1.1 情感词典的构建方法

11.1 情感词典

第11章 情感分析的评测与资源介绍

参考文献

10.4 本章总结

10.3.3 跨平台的多模态抑郁检测

10.3.2 单一数据集的多模态抑郁检测

10.3.1 多模态心理健康计算简介

10.3 多模态心理健康计算

10.2.5 计算美学的其他应用

10.2.4 图像生成

10.2.3 图像的美学风格理解

10.2.2 可解释的图像情感分析

10.2.1 图像情感分析的背景

10.2 基于图像的情感语义表示学习

10.1.5 海量互联网语音半监督情感分析

10.1.4 语音情感识别模型

10.1.3 语音情感特征提取

10.1.2 情感描述方法

10.1.1 语音情感分析的背景

10.1 基于语音的情感语义表示学习

第10章 多模态情感计算研究

参考文献

9.5 本章总结

9.4 情感生成的未来展望

9.3.3 基于情绪支持策略的对话交互

9.3.2 融合共情的对话交互

9.3.1 情感对话生成

9.3 情感对话系统

9.2.3 扩展输入知识源

9.2.2 融合细粒度信息

9.2.1 结合推荐系统

9.2 主观评论生成

9.1.2 情感生成的主要研究任务

9.1.1 情感生成的基本概念

9.1 情感生成简介

第9章 情感生成

参考文献

8.5 总结和未来方向

8.4.3 司法领域

8.4.2 智慧教育

8.4.1 智慧论辩

8.4 论辩应用

8.3.2 对话式论辩生成

8.3.1 交互论点对识别

8.3 对话式论辩

8.2.2 论辩质量评估

8.2.1 论辩挖掘

8.2 独白式论辩

8.1 论辩理论

第8章 计算论辩

参考文献

7.7 本章总结

7.6 其他立场检测相关研究

7.5.3 融合外部知识的方法

7.5.2 基于对比学习的模型

7.5.1 基于知识迁移的模型

7.5 零样本立场检测

7.4.3 融合外部知识的方法

7.4.2 基于图网络的模型

7.4.1 基于知识迁移的模型

7.4 跨目标立场检测

7.3 多目标立场检测

7.2.3 基于深度学习的方法

7.2.2 基于统计的机器学习方法

7.2.1 基于规则的方法

7.2 特定目标立场检测

7.1 文本立场检测定义与分类

第7章 文本立场检测

参考文献

6.4 展望

6.3.2 基于端到端结构的方法

6.3.1 基于流水线结构的方法

6.3 情感-原因对联合抽取方法

6.2.4 各类方法的特点分析

6.2.3 基于深度学习的方法

6.2.2 基于统计的机器学习方法

6.2.1 基于规则的方法

6.2 情感原因识别方法

6.1 问题定义与分类

第6章 情感原因分析

参考文献

5.8 本章总结

5.7 隐式情感语料库

5.6.2 基于语音和模糊性语义理解的门控注意力机制的幽默识别方法

5.6.1 幽默识别的基本概念

5.6 幽默识别

5.5.2 基于多特征融合的反问型隐式情感分析方法

5.5.1 基于句法结构的反问型情感分析方法

5.5 反问型隐式情感分析

5.4.3 基于情感对比和多视角注意力的反讽识别方法

5.4.2 融合语言特征及背景信息的反讽型隐式情感识别方法

5.4.1 基于词汇信息和上下文的反讽识别方法

5.4 反讽型隐式情感分析

5.3.2 基于语义场景不一致的隐喻序列标注方法

5.3.1 基于词语特性的隐喻分析方法

5.3 比喻/隐喻型隐式情感

5.2.3 基于异构用户知识融合的隐式情感分析

5.2.2 基于情感常识知识表示的事实型隐式情感分析方法

5.2.1 基于语言特征的隐式情感分析方法

5.2 事实型隐式情感分析

5.1 隐式情感分析基本概念

第5章 隐式情感分析

参考文献

4.8 本章总结

4.7 细粒度情感分析的挑战

4.6.2 基于比较观点的细粒度情感分析

4.6.1 包含观点持有者的细粒度情感分析

4.6 包含更多要素的细粒度情感分析

4.5.3 <属性词，属性类别，观点词，情感极性>四元组抽取

4.5.2 <属性词，观点词，情感极性>三元组抽取

4.5.1 <属性词，属性类别，情感极性>三元组抽取

4.5 多元组形式的细粒度情感分析

4.4.3 <属性词，观点词>配对抽取

4.4.2 基于属性词的观点词抽取

4.4.1 属性词和观点词的联合抽取

4.4 观点词相关的细粒度情感分析

4.3.3 属性类别-情感的联合分类

4.3.2 基于属性类别的情感分类

4.3.1 属性类别的检测

4.3 属性类别相关的细粒度情感分析

4.2.3 <属性，情感>配对抽取

4.2.2 属性情感分类

4.2.1 属性抽取

4.2 经典的属性级情感分析任务

4.1 细粒度情感分析任务及基本要素

第4章 细粒度情感分析

参考文献

3.6 本章总结

3.5.3 基于生成对抗网络的方法

3.5.2 基于预训练模型的方法

3.5.1 基于机器翻译的方法

3.5 跨语言文本情感分类

3.4.3 基于参数迁移策略的跨领域文本情感分类

3.4.2 基于特征迁移策略的跨领域文本情感分类

3.4.1 基于实例迁移策略的跨领域文本情感分类

3.4 跨领域文本情感分类

3.3.3 基于循环神经网络的文本情感分类

3.3.2 基于卷积神经网络的文本情感分类

3.3.1 基于递归神经网络的文本情感分类

3.3 基于深度学习的文本情感分类方法

3.2.2 基于情感特征的统计机器学习文本情感分类方法

3.2.1 基于无监督的文本情感分类方法

3.2 基于传统机器学习的文本情感分类方法

3.1.3 跨语言情感分类的基本概念

3.1.2 跨领域文本情感分类的基本概念

3.1.1 文档级情感分类的基本概念

3.1 粗粒度文本情感分类简介

第3章 粗粒度文本情感分类

参考文献

2.5 本章总结

2.4 文本情感语义表示的未来展望

2.3.2 代表性算法模型

2.3.1 算法思想

2.3 动态情感语义表示学习

2.2.2 代表性算法模型

2.2.1 算法思想

2.2 静态情感语义表示学习

2.1.2 文本情感语义表示的研究任务

2.1.1 文本情感语义表示的基本概念

2.1 文本情感语义表示简介

第2章 文本情感语义表示

参考文献

1.6.3 聊天机器人

1.6.2 抑郁症预测

1.6.1 推荐系统

1.6 从理论到应用

1.5.3 个体情感和群体情感的区别与联系

1.5.2 群体情感

1.5.1 个体情感

1.5 从个体到群体

1.4.2 多模态情感分析

1.4.1 单模态情感分析

1.4 从单模态到多模态

1.3.3 情感生成

1.3.2 情感原因发现

1.3.1 情感分析

1.3 从识别到生成

1.2.3 情感语义表示

1.2.2 情感词典

1.2.1 情感分类标准

1.2 从资源到表示

1.1.3 情感计算的内容

1.1.2 情感计算的概念与历史

1.1.1 情感及其意义

1.1 情感计算概述

第1章 绪论

前言

序

作者简介

版权信息

封面

封面

版权信息

作者简介

序

前言

第1章 绪论

1.1 情感计算概述

1.1.1 情感及其意义

1.1.2 情感计算的概念与历史

1.1.3 情感计算的内容

1.2 从资源到表示

1.2.1 情感分类标准

1.2.2 情感词典

1.2.3 情感语义表示

1.3 从识别到生成

1.3.1 情感分析

1.3.2 情感原因发现

1.3.3 情感生成

1.4 从单模态到多模态

1.4.1 单模态情感分析

1.4.2 多模态情感分析

1.5 从个体到群体

1.5.1 个体情感

1.5.2 群体情感

1.5.3 个体情感和群体情感的区别与联系

1.6 从理论到应用

1.6.1 推荐系统

1.6.2 抑郁症预测

1.6.3 聊天机器人

参考文献

第2章 文本情感语义表示

2.1 文本情感语义表示简介

2.1.1 文本情感语义表示的基本概念

2.1.2 文本情感语义表示的研究任务

2.2 静态情感语义表示学习

2.2.1 算法思想

2.2.2 代表性算法模型

2.3 动态情感语义表示学习

2.3.1 算法思想

2.3.2 代表性算法模型

2.4 文本情感语义表示的未来展望

2.5 本章总结

参考文献

第3章 粗粒度文本情感分类

3.1 粗粒度文本情感分类简介

3.1.1 文档级情感分类的基本概念

3.1.2 跨领域文本情感分类的基本概念

3.1.3 跨语言情感分类的基本概念

3.2 基于传统机器学习的文本情感分类方法

3.2.1 基于无监督的文本情感分类方法

3.2.2 基于情感特征的统计机器学习文本情感分类方法

3.3 基于深度学习的文本情感分类方法

3.3.1 基于递归神经网络的文本情感分类

3.3.2 基于卷积神经网络的文本情感分类

3.3.3 基于循环神经网络的文本情感分类

3.4 跨领域文本情感分类

3.4.1 基于实例迁移策略的跨领域文本情感分类

3.4.2 基于特征迁移策略的跨领域文本情感分类

3.4.3 基于参数迁移策略的跨领域文本情感分类

3.5 跨语言文本情感分类

3.5.1 基于机器翻译的方法

3.5.2 基于预训练模型的方法

3.5.3 基于生成对抗网络的方法

3.6 本章总结

参考文献

第4章 细粒度情感分析

4.1 细粒度情感分析任务及基本要素

4.2 经典的属性级情感分析任务

4.2.1 属性抽取

4.2.2 属性情感分类

4.2.3 <属性，情感>配对抽取

4.3 属性类别相关的细粒度情感分析

4.3.1 属性类别的检测

4.3.2 基于属性类别的情感分类

4.3.3 属性类别-情感的联合分类

4.4 观点词相关的细粒度情感分析

4.4.1 属性词和观点词的联合抽取

4.4.2 基于属性词的观点词抽取

4.4.3 <属性词，观点词>配对抽取

4.5 多元组形式的细粒度情感分析

4.5.1 <属性词，属性类别，情感极性>三元组抽取

4.5.2 <属性词，观点词，情感极性>三元组抽取

4.5.3 <属性词，属性类别，观点词，情感极性>四元组抽取

4.6 包含更多要素的细粒度情感分析

4.6.1 包含观点持有者的细粒度情感分析

4.6.2 基于比较观点的细粒度情感分析

4.7 细粒度情感分析的挑战

4.8 本章总结

参考文献

第5章 隐式情感分析

5.1 隐式情感分析基本概念

5.2 事实型隐式情感分析

5.2.1 基于语言特征的隐式情感分析方法

5.2.2 基于情感常识知识表示的事实型隐式情感分析方法

5.2.3 基于异构用户知识融合的隐式情感分析

5.3 比喻/隐喻型隐式情感

5.3.1 基于词语特性的隐喻分析方法

5.3.2 基于语义场景不一致的隐喻序列标注方法

5.4 反讽型隐式情感分析

5.4.1 基于词汇信息和上下文的反讽识别方法

5.4.2 融合语言特征及背景信息的反讽型隐式情感识别方法

5.4.3 基于情感对比和多视角注意力的反讽识别方法

5.5 反问型隐式情感分析

5.5.1 基于句法结构的反问型情感分析方法

5.5.2 基于多特征融合的反问型隐式情感分析方法

5.6 幽默识别

5.6.1 幽默识别的基本概念

5.6.2 基于语音和模糊性语义理解的门控注意力机制的幽默识别方法

5.7 隐式情感语料库

5.8 本章总结

参考文献

第6章 情感原因分析

6.1 问题定义与分类

6.2 情感原因识别方法

6.2.1 基于规则的方法

6.2.2 基于统计的机器学习方法

6.2.3 基于深度学习的方法

6.2.4 各类方法的特点分析

6.3 情感-原因对联合抽取方法

6.3.1 基于流水线结构的方法

6.3.2 基于端到端结构的方法

6.4 展望

参考文献

第7章 文本立场检测

7.1 文本立场检测定义与分类

7.2 特定目标立场检测

7.2.1 基于规则的方法

7.2.2 基于统计的机器学习方法

7.2.3 基于深度学习的方法

7.3 多目标立场检测

7.4 跨目标立场检测

7.4.1 基于知识迁移的模型

7.4.2 基于图网络的模型

7.4.3 融合外部知识的方法

7.5 零样本立场检测

7.5.1 基于知识迁移的模型

7.5.2 基于对比学习的模型

7.5.3 融合外部知识的方法

7.6 其他立场检测相关研究

7.7 本章总结

参考文献

第8章 计算论辩

8.1 论辩理论

8.2 独白式论辩

8.2.1 论辩挖掘

8.2.2 论辩质量评估

8.3 对话式论辩

8.3.1 交互论点对识别

8.3.2 对话式论辩生成

8.4 论辩应用

8.4.1 智慧论辩

8.4.2 智慧教育

8.4.3 司法领域

8.5 总结和未来方向

参考文献

第9章 情感生成

9.1 情感生成简介

9.1.1 情感生成的基本概念

9.1.2 情感生成的主要研究任务

9.2 主观评论生成

9.2.1 结合推荐系统

9.2.2 融合细粒度信息

9.2.3 扩展输入知识源

9.3 情感对话系统

9.3.1 情感对话生成

9.3.2 融合共情的对话交互

9.3.3 基于情绪支持策略的对话交互

9.4 情感生成的未来展望

9.5 本章总结

参考文献

第10章 多模态情感计算研究

10.1 基于语音的情感语义表示学习

10.1.1 语音情感分析的背景

10.1.2 情感描述方法

10.1.3 语音情感特征提取

10.1.4 语音情感识别模型

10.1.5 海量互联网语音半监督情感分析

10.2 基于图像的情感语义表示学习

10.2.1 图像情感分析的背景

10.2.2 可解释的图像情感分析

10.2.3 图像的美学风格理解

10.2.4 图像生成

10.2.5 计算美学的其他应用

10.3 多模态心理健康计算

10.3.1 多模态心理健康计算简介

10.3.2 单一数据集的多模态抑郁检测

10.3.3 跨平台的多模态抑郁检测

10.4 本章总结

参考文献

第11章 情感分析的评测与资源介绍

11.1 情感词典

11.1.1 情感词典的构建方法

11.1.2 情感词典资源介绍

11.1.3 小结

11.2 情感分析语料库

11.2.1 情感分析语料库构建

11.2.2 情感语料资源介绍

11.2.3 情绪语料资源介绍

11.2.4 多模态情感语料资源介绍

11.2.5 对话情感语料资源介绍

11.2.6 小结

11.3 情感分析评测

11.3.1 国外情感分析评测

11.3.2 国内情感分析评测

11.3.3 小结

11.4 情感分析资源延展阅读

11.5 本章总结

参考文献

第12章 情感计算应用

12.1 推荐系统中的情感计算

12.1.1 推荐系统中的情感计算简介

12.1.2 情感计算在推荐系统中的去偏差应用

12.1.3 情感计算在推荐系统中的增加可解释性应用

12.2 心理健康诊断中的情感计算

12.2.1 概述

12.2.2 情感计算在抑郁检测中的应用

12.2.3 情感计算在抑郁检测中的相关研究方法

12.2.4 抑郁检测中的案例分析

12.2.5 抑郁检测相关数据集

12.2.6 心理健康诊断领域的研究展望

12.3 媒体数据情感分析中的情感计算

12.3.1 经济、市场与服务中的情感分析

12.3.2 自然灾害管理中的情感分析

12.4 本章总结

参考文献

第13章 大模型时代下的情感计算

13.1 大模型时代下的机遇与挑战

13.2 大模型时代下现有情感计算研究方向进展

13.2.1 细粒度情感分析

13.2.2 情感对话生成

13.2.3 多模态情感分析

13.3 大模型时代下涌现的新的研究方向

13.4 本章总结

参考文献

推荐阅读

作者简介