- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Дифференцированное измерение эмоциональности текстов с помощью алгоритма PMI-IR презентация
Содержание
- 1. Дифференцированное измерение эмоциональности текстов с помощью алгоритма PMI-IR
- 2. Зачем оценивать эмоции в тексте? Необходимы практичные
- 3. PMI-IR Pointwise Mutual Information - Information Retrieval
- 4. Pro et contra За: 1) Гигантский корпус
- 5. Программа «ЭСКА» Шкалы – 10 эмоций К.
- 6. Экспертная оценка (тексты брались из общедоступных записей)
- 7. Эксперты vs ЭСКА r Пирсона * 100
- 8. Выводы PMI-IR работает на русскоязычных текстах Точность
- 9. Спасибо за внимание andrey@chetvericov.ru
Слайд 1Дифференцированное измерение эмоциональности текстов с помощью алгоритма PMI-IR
Андрей Четвериков
Слайд 2Зачем оценивать эмоции в тексте?
Необходимы практичные и эффективные методы оценки эмоционального
состояния
Физиологические методы и самоотчеты не подходят
Развитие affective computing требует методов оценки эмоций в тексте
Компьютеры + интернет => много «живого» материала для анализа
Физиологические методы и самоотчеты не подходят
Развитие affective computing требует методов оценки эмоций в тексте
Компьютеры + интернет => много «живого» материала для анализа
Слайд 3PMI-IR
Pointwise Mutual Information - Information Retrieval
Автор метода – Peter D. Turney
(2001)
Первоначальная область применения:
поиск синонимов
Первоначальная область применения:
поиск синонимов
Слайд 4Pro et contra
За:
1) Гигантский корпус текстов => высокая точность
2) Не требует
«словаря эмоций»
3) Высокая скорость работы
4) Не требует предварительной экспертной оценки
5) Возможен выбор любых шкал оценки
Против:
1) Анализ в основном «языка описания эмоций»
2) Не учитывает контекст (на данном этапе)
3) Поисковый спам
3) Высокая скорость работы
4) Не требует предварительной экспертной оценки
5) Возможен выбор любых шкал оценки
Против:
1) Анализ в основном «языка описания эмоций»
2) Не учитывает контекст (на данном этапе)
3) Поисковый спам
Слайд 5Программа «ЭСКА»
Шкалы – 10 эмоций К. Изарда, по 2 слова на
эмоцию.
Пример: радость|наслаждение для эмоции «радость».
Обучение: 400 записей из LiveJournal (ЖЖ), около 11000 уникальных слов.
Проверка: 70 записей из LiveJournal, оцененных 4 экспертами по 11 шкалам (10 эмоций + валентность)
Обучение: 400 записей из LiveJournal (ЖЖ), около 11000 уникальных слов.
Проверка: 70 записей из LiveJournal, оцененных 4 экспертами по 11 шкалам (10 эмоций + валентность)
Слайд 8Выводы
PMI-IR работает на русскоязычных текстах
Точность оценки увеличивается за счет использования композитных
шкал
Есть большой простор для дальнейших разработок
Есть большой простор для дальнейших разработок
