CN111797898B - 一种基于深度语义匹配的在线评论自动回复方法 - Google Patents

一种基于深度语义匹配的在线评论自动回复方法 Download PDF

Info

Publication number
CN111797898B
CN111797898B CN202010496399.2A CN202010496399A CN111797898B CN 111797898 B CN111797898 B CN 111797898B CN 202010496399 A CN202010496399 A CN 202010496399A CN 111797898 B CN111797898 B CN 111797898B
Authority
CN
China
Prior art keywords
comment
online
comments
attribute
emotion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010496399.2A
Other languages
English (en)
Other versions
CN111797898A (zh
Inventor
李齐齐
赵杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010496399.2A priority Critical patent/CN111797898B/zh
Publication of CN111797898A publication Critical patent/CN111797898A/zh
Application granted granted Critical
Publication of CN111797898B publication Critical patent/CN111797898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于深度语义匹配的在线评论自动回复方法，结合句向量余弦相似度和多维度情感匹配度，找到数据库中与输入评论语义最为接近的在线评论。具体做法是利用Canopy+Kmeans聚类获取不同主题的特征词，在此基础上利用基于先验知识的主题模型CorEx进行主题特征词扩充。同时，构建BERT‑BiLSTM情感分析模型，根据聚类得到的主题特征词，并利用依存句法分析，对在线评论进行多维度情感分析。结合句向量余弦相似度和多维度情感分析结果来匹配数据库中语义最为接近的在线评论，将该评论的商家回复进行数据增强EDA操作，选取与原句句向量余弦相似度最高的句子作为自动回复内容。本发明能方便、高效、精准地为商家提供自动回复在线评论。

Description

一种基于深度语义匹配的在线评论自动回复方法
技术领域
本发明属于计算机软件技术领域，涉及一种基于深度语义匹配的在线评论自动回复方法，可以有效提升电子商务平台中商家管理口碑和用户体验。
背景技术
随着互联网的普及和电子商务的大力推广，越来越多的消费者选择网上购物，也吸引到更多的商家开始在线上销售商品。在网络购物交易过程中，消费者和商家存在信息不对称且交易过程并非同步进行，相比于线下购物，这种网络购物过程会让消费者感受到较高的风险，例如商品质量，配送安全等。因此消费者往往会通过各种方式来搜集关于商家和商品的更多详细信息。其中，商品的在线评论与商家的回复就是了解更多信息的一个重要渠道，这些内容往往比商家做的广告和推广的真实性和有效性更高。
传统的文本匹配方法包括TF-IDF，Jaccrad距离，BM25等，这些方法都是基于词汇重合度计算文本相似度的。随着深度学习的发展，为了将词语更好的抽象为向量表示以便模型的后续任务，word2vec，glove等技术被提出，这些模型可以利用给定的语料数据集进行训练，高效快速的将词汇表示成向量，通过这些向量表示构建文本匹配的神经网络模型。
发明内容
本发明的目的在于为了方便、高效、精准地为商家提供自动回复在线评论，提出了一种基于深度语义匹配的在线评论自动回复方法。
本发明所采用的技术方案是：一种基于深度语义匹配的在线评论自动回复方法，其特征在于，包括以下步骤：
步骤1：对电子商务平台某一领域的评论数据进行抓取，得到在线评论、商家回复、评价星级数据、商品名以及商家名称，将有商家回复的在线评论提取出来构建回复数据库；
步骤2：对在线评论进行聚类分析，得到在线评论的不同主题的特征词；
采用Canopy+Kmeans聚类算法对在线评论进行聚类分析，再结合基于领域知识的主题模型CorEx对每个主题进行特征词扩充，得到在线评论的不同主题的特征词；
步骤3：构建在线评论的情感分析模型；
将步骤1中获得的在线评论和评价星级数据对应起来构成情感分析模型的数据集，将数据集拆分为训练集和验证集；构建基于BERT+BiLSTM的情感分析模型，利用BERT模型对在线评论进行初始化向量操作，然后将这些向量作为BiLSTM网络模型的输入进行分类模型的训练；
步骤4：构建文本匹配模型；
利用标点符号和依存句法分析，将在线评论拆分为仅包含单属性的短句，利用步骤3得到的情感分析模型对短句进行情感倾向分析，计算需要回复的在线评论与回复数据库的评论的情感匹配度；同时，计算句向量余弦相似度来比较句子间的语义相似度；将这两者的分数加权计算到一起来匹配数据库中语义最为接近的评论文本，其对应的回复内容即需要的回复。
本发明的有益效果为：
(1)Canopy+Kmeans的聚类方式可以利用Canopy先聚类得到k值，再利用Kmeans算法基于该k值进行聚类。而先验知识的主题模型CorEx属于半监督学习，在聚类过程中加入Canopy+Kmeans聚类得到的特征词作为主题锚定词，以此更好的发现主题的特征词，具有领域知识的主题模型可以将其引导到对用户而言较为重要的主题，将注意力更多的集中在这些用户关心的主题。
(2)基于BERT+BiLSTM的情感分析模型在分类性能上优于基于BERT的微调模型。在BERT的微调过程中，需要对BERT模型进行调参训练，而巨大的参数量加长了训练时间。而BERT+BiLSTM模型只需要利用到BERT的预训练语言模型进行初始化向量操作，训练过程主要集中在BiLSTM，保证了分类性能的同时缩短了训练时间，并且在配置要求上也相对要低。
(3)通过分析在线评论中不同主题的情感倾向和句向量余弦相似度，并以此为依据进行文本匹配来寻找语义最为接近的评论文本，并根据该评论的商家回复进行数据增强后生成回复内容。该方法能方便、高效、精准地为商家提供自动回复在线评论。
附图说明
图1是本发明实施的流程图。
图2是本发明实施中Canopy聚类示意图。
图3是本发明实施中BERT-BiLSTM模型的网络结构图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明主要基于深度神经网络，考虑在线评论中用户关心的主题，提出一种基于深度语义匹配的在线评论自动回复方法。结合不同主题的多维度情感分析和句向量余弦相似度进行文本匹配，可以更有效和准确的匹配到数据库中语义相似的在线评论，从而进行自动回复。本发明的方法能够用计算机软件技术实现流程，
请见图1，本发明提供的一种基于深度语义匹配的在线评论自动回复方法，包括以下步骤：
步骤1，首先对京东图书的评论数据进行爬虫抓取，得到在线评论、商家回复、评价星级数据、商品名以及商家名称，将有商家回复的在线评论提取出来构建回复数据库。
步骤2：对在线评论进行聚类分析，得到在线评论的不同主题的特征词。具体方法采用Canopy+Kmeans聚类算法对在线评论进行聚类分析，利用Canopy先聚类得到k值，Canopy聚类的方法如图2，再利用Kmeans算法基于该k值进行聚类。结合基于领域知识的主题模型CorEx对每个主题进行特征词扩充，将Canopy+Kmeans聚类得到的特征词作为主题锚定词，以此更好的发现主题的特征词。
步骤3：构建在线评论的情感分析模型。
将步骤1中获得的在线评论和评价星级数据对应起来构成情感分析模型的数据集，将其拆分为训练集和验证集。构建基于BERT+BiLSTM的情感分析，模型BERT+BiLSTM网络模型结构如图3，利用BERT模型对在线评论进行初始化向量操作，然后将这些向量作为BiLSTM网络模型的输入进行分类模型的训练。交叉熵损失函数采用适用于二分类的binary_cross_entropy，优化参数算法采用Adam算法，激活函数采用Sigmoid函数。为了避免模型过拟合问题，采用early stopping(早停法)和设置dropout系统。
步骤4：，构建文本匹配模型。
首先利用标点符号和依存句法分析，将在线评论拆分为仅包含单属性的短句。包含1个属性特征的短句即可作为该属性短句进行情感分析，而评论短句中也存在包含多个属性特征的短句，对于这些短句根据COO(并列关系)和IS(独立结构)，提取父节点的所有的相关词将句子分开成为不同的短句。若多个特征词之间存在ATT(定中结构)如“商品价格”，则判断该短句为中心语特征词的属性分类，即判断为“价格”分类。若不存这些关系和结构，就分别提取SBV(主谓关系)、VOB(动宾关系)以及父节点的词形成一个短句，因为主谓关系和动宾关系往往包含一句话的核心对象和核心谓语。用这种分句方式就能将标点分开后还包含多个主题的短句再切分开，获得只包含单个主题属性的短句。
利用步骤3得到的情感分析模型对短句进行情感倾向分析，计算需要回复的在线评论与回复数据库的评论的情感匹配度M；同时，计算余弦相似度来比较句子间的语义相似度S。
M＝R-ω1F-ω2N-ω3A (1)
Figure BDA0002523013890000041
计算属性情感匹配度M中，R代表输入评论属性情感与数据库评论数据属性情感一致的属性数量，F代表输入评论属性情感与数据库评论数据属性情感相反的属性数量，N代表输入评论存在属性情感倾向性而数据库评论数据不存在该属性情感倾向性的属性数量，A代表输入评论不存在该属性情感倾向性而数据库评论数据存在该属性情感倾向性的属性数量。ω1，ω2，ω3分别为权重系数，作为属性情感倾向相反和不存在相应属性情感的惩罚系数。
将这两者的分数加权计算到一起来匹配数据库中语义最为接近的评论文本，其对应的回复内容即为需要的回复。具体方法为若输入评论不包含属性主题的任一属性，则匹配方式按句向量相似度最高的句子匹配。若包含1个或多个属性主题，则匹配方式选取句向量相似度最高的20个评论，对其依次进行多维度情感分析。在这20个评论里计算属性情感匹配度M与句向量余弦相似度S，计算这两个值的加权和，取加权和最大值的评论作为匹配到的在线评论。
步骤5：为了增加回复内容的多样性，进一步对匹配到最为接近的评论文本的对应商家回复进行EDA数据增强，包括同义词替换(SR)，随机插入(RI)，随机交换(RS)，随机删除(RD)，在参数选择上，对每条句子中被这些操作改变的单词设置为占原句的5％，进行回复生成时选择增强的语句数为20，这样能生成不偏离原句语义的句子，并足够利用BERT生成句向量计算语义相似度进行挑选最合适的回复。将生成的句子与原句进行余弦相似度计算，将最为接近的生成句子作为最终自动回复内容。
应当理解的是，本说明书未详细阐述的部分均属于现有技术；上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种基于深度语义匹配的在线评论自动回复方法，其特征在于，包括以下步骤：
步骤1：对电子商务平台某一领域的评论数据进行抓取，得到在线评论、商家回复、评价星级数据、商品名以及商家名称，将有商家回复的在线评论提取出来构建回复数据库；
步骤2：对在线评论进行聚类分析，得到在线评论的不同主题的特征词；
采用Canopy+Kmeans聚类算法对在线评论进行聚类分析，再结合基于领域知识的主题模型CorEx对每个主题进行特征词扩充，得到在线评论的不同主题的特征词；
步骤3：构建在线评论的情感分析模型；
将步骤1中获得的在线评论和评价星级数据对应起来构成情感分析模型的数据集，将数据集拆分为训练集和验证集；构建基于BERT+BiLSTM的情感分析模型，利用BERT模型对在线评论进行初始化向量操作，然后将这些向量作为BiLSTM网络模型的输入进行分类模型的训练；
文本匹配机制由情感匹配度和语义相似度共同决策；若输入评论不包含属性主题的任一属性，则匹配方式按句向量相似度最高的句子匹配；若包含1个或多个属性主题，则匹配方式为计算数据库中评论文本与输入的评论文本属性情感匹配度M与语义相似度S，计算这两个值的加权和，取加权和最大值的评论作为匹配到的在线评论；
M＝R-ω1F-ω2N-ω3A (1)
Figure FDA0003464784830000011
计算属性情感匹配度M中，R代表输入评论属性情感与数据库评论数据属性情感一致的属性数量，F代表输入评论属性情感与数据库评论数据属性情感相反的属性数量，N代表输入评论存在属性情感倾向性而数据库评论数据不存在该属性情感倾向性的属性数量，A代表输入评论不存在该属性情感倾向性而数据库评论数据存在该属性情感倾向性的属性数量；ω1，ω2，ω3分别为权重系数，作为属性情感倾向相反和不存在相应属性情感的惩罚系数；
步骤4：构建文本匹配模型；
利用标点符号和依存句法分析，将在线评论拆分为仅包含单属性的短句，利用步骤3得到的情感分析模型对短句进行情感倾向分析，计算需要回复的在线评论与回复数据库的评论的情感匹配度；同时，计算余弦相似度来比较句子间的语义相似度；将这两者的分数加权计算到一起来匹配数据库中语义最为接近的评论文本，其对应的回复内容即需要的回复。
2.根据权利要求1所述的基于深度语义匹配的在线评论自动回复方法，其特征在于：步骤2中，利用Canopy先聚类得到k值，再利用Kmeans算法基于该k值进行聚类。
3.根据权利要求1-2任意一项所述的基于深度语义匹配的在线评论自动回复方法，其特征在于：为了增加回复内容的多样性，对步骤4中匹配到最为接近的评论文本的对应商家回复进行EDA数据增强，包括同义词替换，随机插入，随机交换和随机删除，将生成的句子与原句进行余弦相似度计算，将最为接近的生成句子作为最终自动回复内容。
CN202010496399.2A 2020-06-03 2020-06-03 一种基于深度语义匹配的在线评论自动回复方法 Active CN111797898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010496399.2A CN111797898B (zh) 2020-06-03 2020-06-03 一种基于深度语义匹配的在线评论自动回复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010496399.2A CN111797898B (zh) 2020-06-03 2020-06-03 一种基于深度语义匹配的在线评论自动回复方法

Publications (2)

Publication Number Publication Date
CN111797898A CN111797898A (zh) 2020-10-20
CN111797898B true CN111797898B (zh) 2022-03-15

Family

ID=72806373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010496399.2A Active CN111797898B (zh) 2020-06-03 2020-06-03 一种基于深度语义匹配的在线评论自动回复方法

Country Status (1)

Country Link
CN (1) CN111797898B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112905751B (zh) * 2021-03-19 2024-03-29 常熟理工学院 一种结合主题模型和孪生网络模型的话题演化跟踪方法
CN113076749A (zh) * 2021-04-19 2021-07-06 上海云绅智能科技有限公司 一种文本识别方法和系统
CN113283242B (zh) * 2021-05-31 2024-04-26 西安理工大学 一种基于聚类与预训练模型结合的命名实体识别方法
CN113434682A (zh) * 2021-06-30 2021-09-24 平安科技（深圳）有限公司 文本情感分析方法、电子装置及存储介质
CN114117021B (zh) * 2022-01-24 2022-04-01 北京数智新天信息技术咨询有限公司 一种确定回复内容的方法、装置及电子设备
US20230350954A1 (en) * 2022-05-02 2023-11-02 SparkCognition, Inc. Systems and methods of filtering topics using parts of speech tagging
CN114840658B (zh) * 2022-07-06 2023-03-31 浙江口碑网络技术有限公司 评价回复方法、电子设备及计算机存储介质
CN115544237A (zh) * 2022-12-02 2022-12-30 北京红棉小冰科技有限公司 基于直播场景的对话数据集构建方法及装置
CN116882414B (zh) * 2023-09-05 2023-11-07 深圳爱马奇科技有限公司 基于大规模语言模型的评语自动生成方法及相关装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918778A (zh) * 2016-10-11 2018-04-17 阿里巴巴集团控股有限公司 一种信息匹配方法及相关装置
CN110866398A (zh) * 2020-01-07 2020-03-06 腾讯科技（深圳）有限公司 评论文本处理方法、装置、存储介质和计算机设备
CN111160017A (zh) * 2019-12-12 2020-05-15 北京文思海辉金信软件有限公司 关键词抽取方法、话术评分方法以及话术推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10162844B1 (en) * 2017-06-22 2018-12-25 NewVoiceMedia Ltd. System and methods for using conversational similarity for dimension reduction in deep analytics
CN108376133A (zh) * 2018-03-21 2018-08-07 北京理工大学 基于情感词扩充的短文本情感分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918778A (zh) * 2016-10-11 2018-04-17 阿里巴巴集团控股有限公司 一种信息匹配方法及相关装置
CN111160017A (zh) * 2019-12-12 2020-05-15 北京文思海辉金信软件有限公司 关键词抽取方法、话术评分方法以及话术推荐方法
CN110866398A (zh) * 2020-01-07 2020-03-06 腾讯科技（深圳）有限公司 评论文本处理方法、装置、存储介质和计算机设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A BERT-BiLSTM-CRF Model for Chinese Electronic Medical Records Named Entity Recognition;Wentao z.等;《2019 12th International Conference on Intelligent Computation Technology and Automation (ICICTA)》;20200302;第166-169页 *
基于BERT嵌入BiLSTM-CRF模型的中文专业术语抽取研究;吴俊 等;《情报学报》;20200430;第39卷(第4期);第409-418页 *
基于细粒度观点搭配汽车产品评论情感分析;岳洋;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20190415;第J157-76页 *

Also Published As

Publication number Publication date
CN111797898A (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN111797898B (zh) 一种基于深度语义匹配的在线评论自动回复方法
Kumar et al. Sentiment analysis of multimodal twitter data
Li et al. Sentiment analysis of danmaku videos based on naïve bayes and sentiment dictionary
Li et al. Document representation and feature combination for deceptive spam review detection
CN111914096A (zh) 基于舆情知识图谱的公共交通乘客满意度评价方法及系统
Xu et al. Hierarchical emotion classification and emotion component analysis on Chinese micro-blog posts
CN111767741A (zh) 一种基于深度学习和tfidf算法的文本情感分析方法
Choong et al. Predicting judging-perceiving of Myers-Briggs Type Indicator (MBTI) in online social forum
CN107944911B (zh) 一种基于文本分析的推荐系统的推荐方法
CN106062730A (zh) 用于主动构成内容以便在连续社交通信中使用的系统和方法
CN112861541B (zh) 一种基于多特征融合的商品评论情感分析方法
Chang et al. Research on detection methods based on Doc2vec abnormal comments
Zhao et al. Sentiment analysis on the online reviews based on hidden Markov model
Elahi et al. Hybrid recommendation by incorporating the sentiment of product reviews
Yao et al. Online deception detection refueled by real world data collection
Xu et al. Research on the construction of crossborder e-commerce logistics service system based on machine learning algorithms
CN113486143A (zh) 一种基于多层级文本表示及模型融合的用户画像生成方法
Chen et al. Sentiment analysis of animated film reviews using intelligent machine learning
Swamy et al. Nit-agartala-nlp-team at semeval-2020 task 8: Building multimodal classifiers to tackle internet humor
Luo A review of research on identification of false reviews in e-commerce
Wei et al. Cross-domain sentiment classification via constructing semantic correlation
Sajinika et al. Twitter Sentiment Analysis and Topic Modeling for Online Learning
Im et al. A study on brand identity and image utilizing SNA
Li et al. A hybrid recommendation algorithm based on user comment sentiment and matrix decomposition
Raut et al. Introducing multi-modality in persuasive task oriented virtual sales agent

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant