摘要-
摘要-情商(EI)是心理学,社会学,生物学和医学科学的传统主题。 因为情绪与人格,人际关系效果,社会功能,疾病治疗等有关,所以通过计算机技术从Web数据分析情感变得越来越流行,并且非计算机领域的科学家需要更有用的计算模型来解决处理非传统计算机科学的专业问题。知识表示是情感智能和人工智能之间的桥梁,是一种基本且可能的解决方案。 对于情感词,词嵌入可以将词映射到表示词语义上下文的向量。 基于单词嵌入的情感嵌入可以捕获语义和情感信息。 对于情感词的嵌入,我们介绍了两种改进的嵌入方法(MEC和Emo2Vec)。 对于基于情绪心理学的情绪结构,知识图可以表示不同情绪类型之间的认知关系。 由于诸如社会关系,信息处理,时间压力等因素,相同的情感表达可能以不同的方式影响接收者的反应和行为。
知识图可以将这些复杂的情况表示为实体和属性之间的关系。 基于此图,我们可以推断或预测情感对决策的影响。
如今,成千上万的人通过博客,微信,QQ,讨论板等在线平台发布对产品,优惠和服务的评论或评论。互联网商人可以从这些数据中挖掘意见,以推荐或改进 产品。 另外,关于新闻或热点事件有很多辩论或评论。 可以从中分析公众的情感或立场。 一般来说,情感分析或观点挖掘是指使用自然语言处理,文本分析,计算语言学和生物统计学来系统地识别,提取,量化和研究情感状态和主观信息。 因此,该过程被广泛应用于评论和调查响应,在线和社交媒体以及从营销到客户服务的医疗保健应用。 但是,大多数方法只是给出一个分数来评估积极或消极的情绪,或者有时是他们的力量。 这种分析结果仅显示了情绪的存在及其强度,但我们不知道下一步是什么。 没有提到先前情绪表达的反应或行为,
在我的研究中,介绍了情感嵌入的新研究方向以及用于情感分析和情感推理的知识图谱。 为了更好地利用情商理论,该问题分为两个层次:实例层次和概念层次。 对于实例级别,情感嵌入方法旨在解决单词和句子的情感表示。
对于概念级别,知识图基于认知和评估理论构建一个表示情感结构的网络,该网络可以将情感类型,情感实体,情感条件,情感实例等链接起来。实例级别是概念级别的基础 。 实例级别的分析结果可以用作概念级别输入的一部分。 整个级别可以存储从实例到抽象概念的心理情感知识。
总结就是:这篇文章提出了两种改进的sentiment embedding分别是MEC和Emo2Vec来推断和预测感情对决策的影响。