《中国人工智能学会通讯》——11.4 地理实体的多模态主题特征观点挖掘与情 感分析

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第11章,第11.4节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

11.4 地理实体的多模态主题特征观点挖掘与情 感分析

随着互联网的发展普及和社会媒体服务的兴盛,人们在网络上可以便捷地获取和分享丰富的社会多媒体信息。其结果是,社会媒体平台上聚集了海量的人们对物理实体的评论和情感信息。从大规模的用户生成内容中挖掘实体的主题观点和分析情感是知识挖掘中的重要任务。已有的主题特征观点挖掘的工作主要集中在文本内容处理上[4] 。在多媒体上来挖掘主题特征观点,目前还鲜有研究工作。实际上,一个地理实体的很多主题特征方面都是多模态表达的。比如,对于北京,观察到的地标和雾霾不仅能用文本来表达,还能很具体地用视觉图像来描述。我们称这样的主题特征具有视觉表达性。这种主题特征含有清晰和具体的视觉对应形态。同时,实体的一部分主题特征没有清晰和具体的视觉对应,例如经济、工业等。这样的主题特征不具有视觉表达性,其用文本描述而很难用视觉具体内容来表达。通过对实体的多模态主题的视觉表达性进行建模,并挖掘相应的主题特征及观点情感,能够更好地理解目标实体。本文研究从丰富的地理社会媒体数据中,挖掘一个地理实体的多模态主题特征及对应的观点情感。如图 2(c) 所示,我们形式化地理实体的多模态主题特征和观点挖掘为:输入是一个实体的相关多媒体文档,包括 Flickr 图像、Tripadvisor 评论和新闻文档。换言之,输入文档可以是一张图像、一篇新闻文档或一条评论。文档由视觉和文本特征词以及观点组构成。我们提出一个生成式概率图模型——多模态主题观点挖掘模型(multimodal Aspect-Opinion Model, mmAOM, 如图 2(c))来推断输出。mmAOM 对主题特征和观点词在文档的生成过程进行建模而学习文本和视觉模态之间的关联关系,来区分有视觉表达性的主题特征和非视觉表达性的主题特征,以及主题特征和观点之间的依赖关系来辨别主题特征及相应的观点。模型输出包括学习到的多模态主题特征、文档的主题分布、主题特征对应的观点。由派生的地理实体的多模态主题特征和对应的观点,设计了实体关联可视化和多模态主题特征检索的应用。实体关联可视化是要简洁地在图谱上可视化出实体关联的重要主题特征和对应的用户观点情感。多模态主题特征检索利用主题与观点之间的关联关系进行跨模态观点检索的任务。我们在真实的实体对象数据集中进行实验评价 mmAOM。除了在地理实体对象(北京、伦敦、巴黎、纽约)上实验,也在其他实体做了实验评测,包括人物(纳尔逊曼德拉、史蒂夫乔布斯)和品牌(阿迪达斯、耐克)。实验的结果证明了提出的 mmAOM 模型在挖掘实体多模态主题特征和观点的有效性,以及在可视化和检索方面的实用性。

image

目录
打赏
0
0
0
0
325
分享
相关文章
人工智能与体育:运动员表现分析
【10月更文挑战第31天】随着科技的发展,人工智能(AI)在体育领域的应用日益广泛,特别是在运动员表现分析方面。本文探讨了AI在数据收集与处理、数据分析与挖掘、实时反馈与调整等方面的应用,以及其在技术动作、战术策略、体能与心理状态评估中的具体作用。尽管面临数据准确性和隐私保护等挑战,AI仍为体育训练和竞技带来了新的机遇和前景。
AI与未来医疗:重塑健康产业的双刃剑随着科技的迅猛发展,人工智能(AI)正以前所未有的速度融入各行各业,其中医疗领域作为关系到人类生命健康的重要行业,自然也成为AI应用的焦点之一。本文将探讨AI在未来医疗中的潜力与挑战,分析其对健康产业可能带来的革命性变化。
在医疗领域,人工智能不仅仅是一种技术革新,更是一场关乎生死存亡的革命。从诊断到治疗,从后台数据分析到前端临床应用,AI正在全方位地改变传统医疗模式。然而,任何技术的发展都有其两面性,AI也不例外。本文通过深入分析,揭示AI在医疗领域的巨大潜力及其潜在风险,帮助读者更好地理解这一前沿技术对未来健康产业的影响。
探索人工智能在医疗影像分析中的应用
【5月更文挑战第20天】 随着深度学习技术的飞速发展,人工智能(AI)在医疗影像分析领域扮演了革命性的角色。本文聚焦于探讨AI技术如何提高医疗影像的诊断准确性与效率,并分析了目前存在的挑战和未来的发展方向。通过引入先进的卷积神经网络(CNN)模型,我们展示了AI系统在识别疾病标志、辅助临床决策以及个性化治疗计划制定中的潜力。同时,文章还讨论了数据隐私保护、算法解释性和跨域适应性等关键问题,为进一步研究和技术应用提供了参考。
【人工智能】利用TensorFlow.js在浏览器中实现一个基本的情感分析系统
使用TensorFlow.js在浏览器中进行情感分析是一个非常实用的应用场景。TensorFlow.js 是一个用于在JavaScript环境中训练和部署机器学习模型的库,使得开发者能够在客户端直接运行复杂的机器学习任务。对于情感分析,我们可以使用预先训练好的模型来识别文本中的积极、消极或中性情感。
170 4
【人工智能】利用TensorFlow.js在浏览器中实现一个基本的情感分析系统
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
使用Python作为开发语言,基于文本数据集(一个积极的xls文本格式和一个消极的xls文本格式文件),使用Word2vec对文本进行处理。通过支持向量机SVM算法训练情绪分类模型。实现对文本消极情感和文本积极情感的识别。并基于Django框架开发网页平台实现对用户的可视化操作和数据存储。
81 0
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
【人工智能】人工智能(AI)、Web 3.0和元宇宙三者联系、应用及未来发展趋势的详细分析
人工智能(AI)、Web 3.0和元宇宙作为当前科技领域的热门话题,它们之间存在着紧密的联系,并在各自领域内展现出广泛的应用和未来的发展趋势。以下是对这三者联系、应用及未来发展趋势的详细分析
112 2
【人工智能】人工智能(AI)、Web 3.0和元宇宙三者联系、应用及未来发展趋势的详细分析
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
探测外太空中的系外行星是天文学和天体物理学的重要研究领域。随着望远镜观测技术的进步和大数据的积累,科学家们已经能够观测到大量恒星的光度变化,并尝试从中识别出由行星凌日(行星经过恒星前方时遮挡部分光线)引起的微小亮度变化。然而,由于数据量巨大且信号微弱,传统方法难以高效准确地识别所有行星信号。因此,本项目旨在利用机器学习技术,特别是深度学习,从海量的天文观测数据中自动识别和分类系外行星的信号。这要求设计一套高效的数据处理流程、构建适合的机器学习模型,并实现自动化的预测和验证系统。
124 1
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
探索人工智能在文本情感分析中的应用
【9月更文挑战第4天】本文旨在通过一个简化的模型,介绍如何利用AI技术对文本进行情感分析。我们将从基础理论出发,逐步深入到实际操作,展示如何训练一个简单的情感分析模型。文章不仅涵盖了理论知识,还提供了代码示例,帮助读者更好地理解并实践所学知识。
中兴通讯分论坛邀您探讨 AI 时代下 OS 的安全能力 | 2024 龙蜥大会
操作系统如何提供符合场景要求的安全能力,构建更加安全可信的计算环境。
【人工智能】传统语音识别算法概述,应用场景,项目实践及案例分析,附带代码示例
传统语音识别算法是将语音信号转化为文本形式的技术,它主要基于模式识别理论和数学统计学方法。以下是传统语音识别算法的基本概述
224 2
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等