序号

论文或著作名称

出版单位及时间

主要观点

1

基于语义约束LDA的商品特征和情感词提取

软件学报，2017

根据中文商品评论文本的特点，从句法分析、词义理解和语境相关等多角度获取词语间的语义关系，然后将其作为约束知识嵌入到主题模型，提出语义关系约束的主题模型，用来实现语义指导下 LDA 的细粒度主题词提取。实验结果表明，新模型对于细粒度特征和情感词的发现和提取具有较好的效果。

2

An association-constrained LDA model for joint extraction of

product aspects and opinions

Information Sciences，2020

LDA模型的一个基本问题是在识别共现关系方面的不足。提出了一种关联约束 LDA (AC-LDA)模型有效地捕捉共现关系。根据产品评论中句法结构的特征，我们形式化了三种主要类型词关联组合。为了为了减少全局特征词对局部分布的影响，将全局特征词约束和相关的关联组合合并到 LDA 中，以指导学习过程中的主题词分配。

3

一种语义弱监督 LDA 的商品评论细粒度情感分析算法

小型微型计算机系统，2018

提出了一种语义弱监督的主题模型，在LDA 模型中嵌入词语关联、全局特征词及主题情感隶属语义先验知识来提升 LDA 对特征词、情感词及其关系的识别能力。

从句法分析、词性关系和语境相关等角度进行词语关联语义约束的提取；全局特征词识别和主题情感隶属两类语义约束的获取；设计语义约束对 LDA 主题分配的影响机制，构建语义弱监督的细粒度情感分析主题模型 SWS-LDA。

4

基于语义约束主题模型的商品特征和情感词提取研究

北京理工大学出版社，2017

考虑到LDA模型的语义理解能力的欠缺，首先从语义关系的发现来探索词语间的关联性，然后利用关联性知识对主题模型形成约束机制，更多地发现特征词和情感词之间的隐含关系。引入词语之间的语义关系约束机制可以在保留LDA主题模型的大规模文本主题词提取功能的同时，提升主题模型的语义理解能力，提高识别局部词语间关联关系的能力，实现细粒度情感分类。

5

Rumor detection based on attention CNN and time series of context information

Future Internet, 2021

探索谣言生命周期的时间序列上下文和情感极性特征，以及如何利用它们来优化CNN模型参数并提高分类效果。所提出的模型是一个卷积神经网络，嵌入了情感极性和时间序列信息的注意机制。首先，通过时间序列算法将谣言的整个生命周期分组训练，通过 Doc2Vec 获取文本向量。其次，利用SVM算法获取各组的情感极性特征。最后，使用具有空间注意力机制的 CNN 模型来获得谣言的分类。实验结果表明，所提出的模型具有时间序列和情感极性的特征对于谣言检测非常有效，并且可以大大减少模型训练的迭代次数。 attention CNN 的准确率、召回率和 F1 均优于最新的基准模型.