主题模型情感分析

Tracking the evolution of social emotions with topic models
指导老师 姜老师 报告人Hale Waihona Puke Baidu丁晓菲
Enhong Chen Springer-Verlag London 2015
情感分析
eToT
情感预测
meToT
基于情感的
eDTM
情感异常检
推荐
测
目录
Emotion-topic over time
在LDA的基础上加入了时间和情感的分布（其中 时间是Bate分布，情感是Dirichlet分布）
生成文本的过程
参数求解：
存在依赖模型ToT,只是加入了情感线
• 缺陷1：继承了LDA的致命缺陷，静态无法实现本文的 目的：发现情感演化 • 缺陷2：忽略了对时间不敏感的主题
主题模型
PART ONE
Bate分 布
Beta-Binomial 共轭
两个分布
Dirichlet 分布
DirichletMultinomial 共轭
单层贝叶斯网络 参数求解方法：EM算法 两个主题模型 三层贝叶 斯网络
参数求解方法：Gibbs采样
三种改进模型
PART TWO
将时间、情感、词语合在一起的主题模型
参考文献
PART SIX
• Rickjin LDA数学八卦 • 贝叶斯统计 • 邹博 LDA主题模型
模型能够发现依赖时间和不依赖时间的主题，不依赖时间的 主题可以作为情感的背景主题
eDTM
同一主题不同时间情感的演化
与标准数据集和模型的比较
主要结论
PART FIVE
• 三个模型都是基于主题模型去做的 • 成功将主题和情感融合到主题模型中，用训练隐含参数的方式训 练出情感分布以达到情感分类的目的 • 动态的主题模型实现了主题演变和情感演变的发现
Mixed emotion-topic over time
在eToT的模型上加入了两个主题线（时间依赖的和时间 不依赖的）
依旧保留着LDA本身的缺陷，没有实 现动态情感的发掘
Emotion-based Dynamic Topic Model
DTM
动态主题模型先将时间离散化，各个时间片下的 主题概率分布和词语概率分布均依赖于前一个时 间片的状态
在动态主题模型的基础上加入了情感，顺利实现动态 情感演化的发掘
参数求解：
应用场景
PART THREE
模型的应用
应用
情感预测
基于情感的新 闻推荐
异常情感探测
eToT
应用
meToT
实验比较
PART FOUR
eToT
不同主题下的情感分布
不同时间下的主题分布
时间对社会情感分析的重要性
meToT
CONTENTS
标题数字等都可以通过点击和重新输入进行更改，顶部“开始”面板中可以对字体、字号、颜色、行距等进行修改。 建议正文8-14号字，1.3倍字间距。
主题模型
PART ONE
三种改进模型
PART TWO
应用场景
PART THREE
实验比较
PART FOUR
主要结论
PART FIVE
参考文献
PART SIX