已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Multimodal sentiment system and method based on CRNN-SVM

情绪分析 计算机科学 支持向量机 人工智能 光学(聚焦) 计算科学与工程 卷积神经网络 机器学习 边距(机器学习) 语音识别 物理 光学
作者
Yan‐Gang Zhao,Mahpirat Mamat,Alimjan Aysa,Kurban Ubul
出处
期刊:Neural Computing and Applications [Springer Nature]
被引量:1
标识
DOI:10.1007/s00521-023-08366-7
摘要

Abstract Traditional sentiment analysis focuses on text-level sentiment mining, transforming sentiment mining into classification or regression problems, resulting in a sentiment analysis low accuracy rate. Sentiment analysis refers to the use of natural language processing, text analysis, and computational linguistics to systematically identify, extract, quantify, and study sentimental states. Therefore, more scholars have begun to focus on speech recognition and facial expression recognition research, and extracting and analysing people’s sentiment tendencies can improve sentiment recognition accuracy. Traditional single-modal sentiment analysis can no longer meet people’s needs. Therefore, this paper proposes a multimodal sentiment analysis method based on the multimodal sentiment analysis method that can obtain more sentimental information sources and help people make better decisions. The experimental results in this paper show that the highest recognition rates of CNN-SVM, RNN-SVM, and CRNN-SVM were 76.8%, 71.2%, and 93.5%, respectively. It can be seen that CRNN-SVM has the highest sentiment tendency recognition rate in deep learning, so it is suitable to apply CRNN-SVM to sentiment tendency analysis system design in this paper. The average accuracy rate of the system designed in this paper was 91%, and the stability was also very strong, which shows that the system designed in this paper is meaningful. The main contribution of this paper is based on the limitations of single-mode emotion analysis. It proposes a multimode emotion analysis method and introduces a convolutional neural network to help people obtain more emotional information sources to meet their needs.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
wenhao完成签到 ,获得积分10
刚刚
xiao完成签到 ,获得积分10
1秒前
KOKORO.C完成签到,获得积分10
2秒前
抽疯的电风扇13完成签到 ,获得积分10
2秒前
3秒前
微笑冰旋发布了新的文献求助10
6秒前
7秒前
舒适的方盒完成签到 ,获得积分10
8秒前
宸1完成签到 ,获得积分10
9秒前
Levent发布了新的文献求助10
9秒前
9秒前
小滕发布了新的文献求助10
10秒前
冷艳的一区完成签到 ,获得积分10
10秒前
奥特斌完成签到 ,获得积分10
10秒前
wyy完成签到,获得积分10
10秒前
今我来思完成签到 ,获得积分10
10秒前
就看最后一篇完成签到 ,获得积分10
12秒前
青糯完成签到 ,获得积分10
13秒前
雾见春完成签到 ,获得积分10
14秒前
暖暖完成签到 ,获得积分10
14秒前
陈炜smile完成签到,获得积分10
15秒前
Lucky.完成签到 ,获得积分0
16秒前
16秒前
笨逗逗完成签到,获得积分10
16秒前
红红完成签到,获得积分10
17秒前
西门浩宇完成签到 ,获得积分10
19秒前
19秒前
文明8完成签到,获得积分10
20秒前
Venus完成签到 ,获得积分10
20秒前
陌路完成签到 ,获得积分10
21秒前
学术菜鸡发布了新的文献求助10
21秒前
善学以致用应助红红采纳,获得10
21秒前
wangfaqing942完成签到 ,获得积分10
21秒前
谭文完成签到 ,获得积分10
24秒前
Hhhh完成签到 ,获得积分10
26秒前
kmario完成签到,获得积分10
26秒前
YY完成签到 ,获得积分10
27秒前
细腻的灵槐完成签到 ,获得积分10
27秒前
dzx完成签到 ,获得积分10
29秒前
29秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 850
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248609
求助须知:如何正确求助?哪些是违规求助? 2892063
关于积分的说明 8269674
捐赠科研通 2560135
什么是DOI,文献DOI怎么找? 1388854
科研通“疑难数据库(出版商)”最低求助积分说明 650926
邀请新用户注册赠送积分活动 627798