《情感计算》秦兵【文字版_PDF电子书_下载】
内容简介：
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，该文本的特点是带有大量的用户主观情感信息，因此该技术的核心是通过自动分析评论文本来进行情感的理解。文本情感分析技术已有20 余年的研究历史，凝聚成了多项研究任务和实用技术，已应用于舆情分析、电子商务等领域，具有重大的社会价值和商业价值。本书介绍的知识点包括文本情感分析的基础理论和资源、核心任务，以及上层应用三大部分。在文本情感分析的基础理论和资源部分，该书将讲述基于深度学习的情感表示方法，以及语料、词典和相关评测等资源;在文本情感分析的核心任务部分，该书将讲述文本情感分类、情感信息抽取、隐式情感、多模态情感等若干核心任务;在文本情感分析的上层应用部分，该书将讲述观点分析、情感文摘等典型应用。本书可以为自然语言处理、人工智能等领域的科研人员和IT 从业者提供创新的发展视角及相关理论、方法与技术支撑，也可作为相关专业高年级本科生和研究生课程教材。
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， 重点研发课题、 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 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 女性及 AI 2000 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。
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 外会议和期刊的审稿人。近年来主持项目多项，包括 自然科学面上基金、 人文社科项目等。在 会议 ACL、AAAI等上发表相关领域的学术论文近百篇。
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。
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 自然科学基金项目多项，在 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。
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 ，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、 / 广东省 / 黑龙江省科技进步二等奖各一项。
目 录：
序
前言
第1章 绪论 1
1.1 情感计算概述 1
1.1.1 情感及其意义 1
1.1.2 情感计算的概念与历史 2
1.1.3 情感计算的内容 2
1.2 从资源到表示 3
1.2.1 情感分类标准 3
1.2.2 情感词典 4
1.2.3 情感语义表示 4
1.3 从识别到生成 5
1.3.1 情感分析 5
1.3.2 情感原因发现 7
1.3.3 情感生成 7
1.4 从单模态到多模态 8
1.4.1 单模态情感分析 8
1.4.2 多模态情感分析 9
1.5 从个体到群体 9
1.5.1 个体情感 9
1.5.2 群体情感 10
1.5.3 个体情感和群体情感的
区别与联系 10
1.6 从理论到应用 10
1.6.1 系统 11
1.6.2 抑郁症预测 11
1.6.3 聊天机器人 12
参考文献 12
第2章 文本情感语义表示 14
2.1 文本情感语义表示简介 14
2.1.1 文本情感语义表示的
基本概念 14
2.1.2 文本情感语义表示的
研究任务 18
2.2 静态情感语义表示学习 20
2.2.1 算法思想 20
2.2.2 代表性算法模型 21
2.3 动态情感语义表示学习 27
2.3.1 算法思想 28
2.3.2 代表性算法模型 28
2.4 文本情感语义表示的未来
展望 39
2.5 本章总结 40
参考文献 41
第3章 粗粒度文本情感分类 43
3.1 粗粒度文本情感分类简介 43
3.1.1 文档级情感分类的基本
概念 43
3.1.2 跨领域文本情感分类的
基本概念 44
3.1.3 跨语言情感分类的基本
概念 44
3.2 基于传统机器学习的文本情感
分类方法 45
3.2.1 基于无监督的文本情感
分类方法 45
3.2.2 基于情感特征的统计机器学
习文本情感分类方法 46
3.3 基于深度学习的文本情感
分类方法 48
3.3.1 基于递归神经网络的
文本情感分类 48
3.3.2 基于卷积神经网络的
文本情感分类 50
3.3.3 基于循环神经网络的
文本情感分类 51
3.4 跨领域文本情感分类 55
3.4.1 基于实例迁移策略的跨
领域文本情感分类 55
3.4.2 基于特征迁移策略的跨
领域文本情感分类 56
3.4.3 基于参数迁移策略的跨
领域文本情感分类 57
3.5 跨语言文本情感分类 59
3.5.1 基于机器翻译的方法 60
3.5.2 基于预训练模型的方法 61
3.5.3 基于生成对抗网络的方法 63
3.6 本章总结 64
参考文献 65
第4章 细粒度情感分析 68
4.1 细粒度情感分析任务及基本要素 68
4.2 经典的属性级情感分析任务 71
4.2.1 属性抽取 71
4.2.2 属性情感分类 73
4.2.3 <属性，情感>配对抽取 77
4.3 属性类别相关的细粒度情感分析 78
4.3.1 属性类别的检测 79
4.3.2 基于属性类别的情感分类 79
4.3.3 属性类别–情感的联合
分类 79
4.4 观点词相关的细粒度情感分析 80
4.4.1 属性词和观点词的联合
抽取 80
4.4.2 基于属性词的观点词抽取 81
4.4.3 <属性词,观点词>配对
抽取 81
4.5 多元组形式的细粒度情感分析 81
4.5.1 <属性词,属性类别,情感
极性>三元组抽取 81
4.5.2 <属性词,观点词,情感
极性>三元组抽取 82
4.5.3 <属性词,属性类别,
观点词,情感极性>
四元组抽取 84
4.6 包含 多要素的细粒度情感分析 84
4.6.1 包含观点持有者的细粒度
情感分析 85
4.6.2 基于比较观点的细粒度
情感分析 85
4.7 细粒度情感分析的挑战 86
4.8 本章总结 87
参考文献 87
第5章 隐式情感分析 92
5.1 隐式情感分析基本概念 92
5.2 事实型隐式情感分析 94
5.2.1 基于语言特征的隐式情感
分析方法 94
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 95
5.2.3 基于异构用户知识融合的
隐式情感分析 97
5.3 比喻隐喻型隐式情感 98
5.3.1 基于词语特性的隐喻分析
方法 99
5.3.2 基于语义场景不一致的
隐喻序列标注方法 100
5.4 反讽型隐式情感分析 103
5.4.1 基于词汇信息和上下文
的反讽识别方法 103
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 104
5.4.3 基于情感对比和多视角
注意力的反讽识别方法 106
5.5 反问型隐式情感分析 107
5.5.1 基于句法结构的反问型
情感分析方法 108
5.5.2 基于多特征融合的反问型
隐式情感分析方法 109
5.6 幽默识别 111
5.6.1 幽默识别的基本概念 111
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 112
5.7 隐式情感语料库 113
5.8 本章总结 114
参考文献 114
第6章 情感原因分析 119
6.1 问题定义与分类 119
6.2 情感原因识别方法 121
6.2.1 基于规则的方法 121
6.2.2 基于统计的机器学习方法 123
6.2.3 基于深度学习的方法 125
6.2.4 各类方法的特点分析 131
6.3 情感–原因对联合抽取方法 132
6.3.1 基于流水线结构的方法 132
6.3.2 基于端到端结构的方法 133
6.4 展望 139
参考文献 142
第7章 文本立场检测 145
7.1 文本立场检测定义与分类 145
7.2 特定目标立场检测 147
7.2.1 基于规则的方法 147
7.2.2 基于统计的机器学习
方法 148
7.2.3 基于深度学习的方法 150
7.3 多目标立场检测 153
7.4 跨目标立场检测 156
7.4.1 基于知识迁移的模型 156
7.4.2 基于图网络的模型 158
7.4.3 融合外部知识的方法 159
7.5 零样本立场检测 159
7.5.1 基于知识迁移的模型 159
7.5.2 基于对比学习的模型 160
7.5.3 融合外部知识的方法 162
7.6 其他立场检测相关研究 163
7.7 本章总结 164
参考文献 164
第8章 计算论辩 167
8.1 论辩理论 167
8.2 独白式论辩 169
8.2.1 论辩挖掘 170
8.2.2 论辩质量评估 172
8.3 对话式论辩 174
8.3.1 交互论点对识别 175
8.3.2 对话式论辩生成 176
8.4 论辩应用 179
8.4.1 智慧论辩 179
8.4.2 智慧教育 181
8.4.3 司法领域 182
8.5 总结和未来方向 184
参考文献 185
第9章 情感生成 187
9.1 情感生成简介 187
9.1.1 情感生成的基本概念 187
9.1.2 情感生成的主要研究
任务 189
9.2 主观评论生成 190
9.2.1?结合 系统 192
9.2.2?融合细粒度信息 193
9.2.3?扩展输入知识源 194
9.3 情感对话系统 196
9.3.1 情感对话生成 196
9.3.2 融合共情的对话交互 200
9.3.3 基于情绪支持策略的
对话交互 204
9.4 情感生成的未来展望 208
9.5 本章总结 209
参考文献 209
0章 多模态情感计算研究 212
10.1?基于语音的情感语义表示学习 212
10.1.1?语音情感分析的背景 212
10.1.2?情感描述方法 214
10.1.3?语音情感特征提取 216
10.1.4?语音情感识别模型 218
10.1.5 海量互联网语音半监督
情感分析 219
10.2?基于图像的情感语义表示学习 222
10.2.1?图像情感分析的背景 222
10.2.2?可解释的图像情感分析 223
10.2.3?图像的美学风格理解 224
10.2.4 图像生成 225
10.2.5?计算美学的其他应用 227
10.3 多模态心理健康计算 229
10.3.1 多模态心理健康计算
简介 229
10.3.2 单一数据集的多模态
抑郁检测 230
10.3.3 跨平台的多模态抑郁
检测 233
10.4 本章总结 237
参考文献 237
1章 情感分析的评测与资源
介绍 241
11.1 情感词典 241
11.1.1 情感词典的构建方法 241
11.1.2 情感词典资源介绍 246
11.1.3 小结 247
11.2 情感分析语料库 247
11.2.1 情感分析语料库构建 247
11.2.2 情感语料资源介绍 248
11.2.3 情绪语料资源介绍 249
11.2.4 多模态情感语料资源
介绍 250
11.2.5 对话情感语料资源介绍 253
11.2.6 小结 254
11.3 情感分析评测 254
11.3.1 国外情感分析评测 255
11.3.2 情感分析评测 258
11.3.3?小结 259
11.4 情感分析资源延展阅读 259
11.5 本章总结 260
参考文献 260
2章 情感计算应用 263
12.1 系统中的情感计算 263
12.1.1 系统中的情感计算
简介 263
12.1.2 情感计算在 系统中
的去偏差应用 264
12.1.3 情感计算在 系统中
的增加可解释性应用 266
12.2 心理健康诊断中的情感
计算 270
12.2.1 概述 270
12.2.2 情感计算在抑郁检测中
的应用 270
12.2.3 情感计算在抑郁检测中
的相关研究方法 272
12.2.4 抑郁检测中的案例
分析 275
12.2.5 抑郁检测相关数据集 278
12.2.6 心理健康诊断领域的
研究展望 281
12.3 媒体数据情感分析中的情感
计算 281
12.3.1 经济、市场与服务中的
情感分析 281
12.3.2 自然灾害管理中的情感
分析 284
12.4 本章总结 288
参考文献 288
3章 大模型时代下的情感
计算 291
13.1 大模型时代下的机遇与挑战 291
13.2 大模型时代下现有情感计算研究
方向进展 292
13.2.1 细粒度情感分析 292
13.2.2 情感对话生成 297
13.2.3 多模态情感分析 303
13.3 大模型时代下涌现的新的研究
方向 307
13.4 本章总结 312
参考文献 312