- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 4-5 超参数
通过前面的小节，我们知道了kNN算法中k这个参数值，在sklearn中k这个值被封装成了k_neighbors参数。在前面我们随机的指定参数k的值，究竟k的值为多少的时候，模型才是最好的呢？这就涉及到了机器学习领域非常重要的问题~超参数问题。
79530发布于 2019-11-13 - 来自专栏Hank’s Blog
4-5 R语言函数 split
#split根据因子或因子列表将 向量或其他对象分组 #通常与lapply一起使用 #split(参数):split(向量/列表/数据框,因子/因子列表) > x <- c(rnorm(5),runif(5),rnorm(5,1)) > x [1] 0.61008707 0.81746169 -1.09859969 -1.78134612 -1.94262725 0.99760581 [7] 0.37793960 0.05258653 0.38525197 0.46051864 -0.
1K40发布于 2020-09-16 - 来自专栏大前端_Web
javascript高级程序设计(4-5)章笔记
版权声明：本文为吴孔云博客原创文章，转载请注明出处并带上链接，谢谢。 https://blog.csdn.net/wkyseo/article/details/51234909
86940发布于 2018-09-27 - 来自专栏深度学习
基于情感词典的文本情感分类
基于情感词典的文本情感分类 传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。 基于上述思路，我们可以通过以下几个步骤实现基于情感词典的文本情感分类：预处理、分词、训练情感词典、判断，整个过程可以如下图所示。 情感词典分为四个部分：积极情感词典、消极情感词典、否定词典以及程度副词词典。 文本情感分类 基于情感词典的文本情感分类规则比较机械化。 对于文本情感分类也不例外，我们不仅仅可以记忆住大量的情感词语，同时我们还可以总结或推测出新的情感词语。比如，我们只知道“喜欢”和“爱”都具有积极情感倾向，那么我们会猜测“喜爱”也具有积极的情感色彩。
2.7K80发布于 2018-04-28 - 来自专栏数据挖掘与AI算法
基于情感词典的情感分析方法
基于情感词典的分析方法是情感挖掘分析方法中的一种，其普遍做法是：首先对文本进行情感词匹配，然后汇总情感词进行评分，最后得到文本的情感倾向。 目前使用较多的情感词典主要有两种：一种是BosonNLP情感词典，另一种是知网推出的情感词典。 1.基于BosonNLP情感词典分析 BosonNLP情感词典是由波森自然语言处理公司推出的一款已经做好标注的情感词典。词典中对每个情感词进行情感值评分，BosonNLP情感词典大概如下图所示： ? 然后将分词好的列表数据对应BosonNLP词典进行逐个匹配，并记录匹配到的情感词分值，最后统计汇总所有情感分值。如果总分值大于0，表示情感倾向为积极的；如果总分值小于0，则表示情感倾向为消极的。 其中情感词典包括：评价（正面、负面）、情感（正面、负面）、主张、程度级别共4个方面的情感文本。
10.1K61发布于 2020-12-08 - 来自专栏运维之路
【每日一思】2022年第4-5周
一直认为理想情况下的数据运营方法应该基于“贴源层数据-》指标（至少到带有主题的流水）-》洞察-》决策-》执行”的路线，这样才能减少返工的重复性工作量。
32620编辑于 2022-03-07 - 来自专栏iOS面试
iOS 面试策略之算法基础4-5节
前面介绍了数组、字典、字符串、链表、栈、队列的处理和应用方法。本节将会探讨平常相对很少用到、面试中却是老面孔的数据结构：二叉树。本节主要包括以下内容：
1.2K60发布于 2021-04-20 - 来自专栏NetCore 从壹开始
4-5 安装并迁移数据库：mysql
docker volume create volume_name命令新建一个数据卷
98320编辑于 2023-01-09 - 来自专栏深度学习自然语言处理
【情感分析】基于Aspect的情感分析模型总结（一）
Ok，再开一个坑，接下去整一个稍微复杂点的，情感分析。 可以粗暴翻译为基于方面的情感分析，本质就是对句子中不同对象可能会存在不同的情感倾向，例如：“I bought a new camera. 而对于target=battery，情感就是负的了。 ，最终得到的也是这个句子的全局情感，可想而知最后的效果一般般。 情感属性提供了每个实例的表示，也将各个aspect与其情感链接起来。 ?
7.4K61发布于 2020-03-03 - 来自专栏量化投资与机器学习
【Python】基于情感词典进行情感分析（附代码）
代码文件请继续阅读在下方，点击原文阅读。
2K50发布于 2018-01-29 - 来自专栏素质云笔记
pytreebank︱情感分析可视化——情感结构树
pytreebank.create_tree_from_string('(4 (0 你) (3 (2 是) (3 (3 (3 谁) (2 的)) (2 谁))))').display() 4代表总共有四个节点， (0 你)代表，‘你’这个字的情感点
1.6K90发布于 2018-01-02 - 来自专栏机器学习AI算法工程
情感极性分析：基于情感词典、k-NN、Bayes、最大熵、SVM的情感极性分析
2、基于情感词典的情感极性分析 —— sentiment analysis based on sentiment dict 对应文件：classifier.py DictClassifier 使用1：analyse_sentence analyse_sentence(sentence, runout_filepath=None, print_show=False) 对单个句子进行情感极性分析 sentence，待分析的句子 若runout_filepath 几种情感分析方法比较 基于词典 准确率：准确率较高（80%以上），随着人工工作量的增加，准确率增加 优点：易于理解 缺点：人工工作量大 基于k_NN 准确率：很低（60% - 70%） 优点：思想简单、 AI项目体验地址 https://loveai.tech 一个实时的、百度外卖评论的细粒度情感分析demo ? ? ? ? ? ?----
1.7K40发布于 2020-07-21 - 来自专栏深度学习自然语言处理
【情感分析】基于Aspect的情感分析模型总结（二）
：」 粗粒度attention和细粒度attention结合； 「aspect alignment loss：」 在目标函数中加入aspect alignment loss，以增强context相同而情感极性不同的 24 Output Layer 在这一层将上述步骤得到的attention表示拼接起来，作为最终输入句子的向量表示并送入softmax层分析情感得分。
3.1K20发布于 2020-03-05 - 来自专栏NewBeeNLP
【情感分析】基于Aspect的情感分析模型总结（PART III）
看完冉冉的转载发现这个标题可能更加一目了然一些，学习了 继续来看基于Aspect的情感分析模型总结第三部分，回顾一下之前： 【情感分析】ABSA模型总结（PART I） 【情感分析】ABSA模型总结（PART context和aspect信息的向量表示 和 再做一次attention操作得到具有更多交互信息的向量，然后与 和 pool以后的向量拼接得到最终的输入表示送入softmax层进行情感分析 1.4 Loss Function 前面提到为了解决标签不可信任问题（比如中性情感是一种非常模糊的情感表达，具有中性情感标签的训练样本就是属于不可信任的），引入了一种新的损失计算Label Smoothing 然后将距离特征融合到词特征上： 再进行卷积和最大池化的操作 最后送入softmax层进行情感判定 2.4 试验分析 ?
3.2K10发布于 2020-08-26 - 来自专栏AI研习社
AI情感识别：人脸未必是准确的情感信号
而是人脸表情所表达的不一定是正确的情感信号。 而是人脸表情所表达的不一定是正确的情感信号。 我们也承认这些表情是情感的特有表达；我们认为微笑是幸福特有表达，而愁眉苦脸是愤怒的特有表达。但实际上，人们表达和感知情感的方式有更多的变化。 人们表达情感的方式因文化，环境和不同的人而异，并且可以通过多种面部表情表达一种情感。人们的面部表情经常遵循对话和文化习惯，而不是表现出与内心情感有关的任何东西。 与身体相关的情感胜过玩家面部的情感。 考虑到诸如Rekognition之类的情绪识别系统对人的面部表情影响很大，因此这些有关语境的发现非常重要。
1.3K30发布于 2019-11-11 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：基础级难度（4-5）
2025年的IO竞赛基础级（难度系数4-5）题目开始涉及更多的数据结构和算法思想，对选手的编程能力和逻辑思维提出了更高的要求。 难度进阶路径: 入门(1-3) → 基础(4-5) → 提高(6-8) → 竞赛(9-10) 难度系数 考察重点 核心知识点 学习目标 4-5 数据结构、算法应用 栈、队列、树、图的基础应用 掌握基础数据结构的使用和简单算法的实现 ） ├── 第四章：基础级题目解题技巧总结 └── 第五章：从基础到提高的学习建议 第一章：2025年IO竞赛基础级题目概述 根据2025年NOI修订版大纲，基础级（CSP-J提高）的知识点难度系数为4-
49210编辑于 2025-11-13 - 来自专栏杨熹的专栏
怎样做情感分析
本文结构： 什么是情感分析？ 怎么分析，技术上如何实现？ ---- cs224d Day 7: 项目2-命名实体识别 2016课程地址 项目描述地址 ---- 什么是情感分析？ 根据对带有情感色彩的主观性文本进行分析，识别出用户的态度，是喜欢，讨厌，还是中立。 用这些自带上下文信息的词向量来预测未知数据的情感状况的话，就可以更准确。 ? word2vec 今天的小项目，就是用 word2vec 去解决情感分析问题的。 第二步，用 Softmax Regression 对训练数据集的每个句子进行训练，得到分类器的参数，用这个参数就可以预测新的数据集的情感分类。 具体实现 接下来以一个初学者的角度来讲一下要如何利用这几个模型和算法来实现情感分析这个任务的，因为项目的代码有点多，不方便全写在文章里，可以去这里查看完整代码。
2K50发布于 2018-04-02 《DeepSeek情感分析技术：突破与创新，精准判断情感倾向》
DeepSeek作为人工智能领域的佼佼者，在情感分析技术上取得了一系列令人瞩目的创新成果，为精准判断情感倾向提供了新的解决方案。 二、多模态融合技术：全面感知情感除了文本信息，人类的情感还常常通过语音、面部表情等多种模态进行表达。 三、领域自适应与迁移学习：跨越不同场景不同领域的文本数据往往具有不同的语言风格、词汇特点和情感表达方式。为了让情感分析模型能够在各种场景下都表现出色，DeepSeek采用了领域自适应与迁移学习技术。 在训练过程中，引入一个对抗网络，它会生成一些具有挑战性的样本，试图误导情感分析模型，而情感分析模型则需要不断优化，以准确识别这些样本的情感倾向。通过这种对抗博弈的过程，模型的鲁棒性得到了显著提升。 五、情感词典与知识图谱的融合：增强语义理解情感词典是情感分析的重要工具，它包含了大量标注了情感极性的词汇。DeepSeek将情感词典与知识图谱进行融合，进一步增强了对语义的理解。
1.2K10编辑于 2025-02-17- 来自专栏Python项目实战
人工智能与情感计算：AI如何理解人类情感
情感计算的基本原理情感计算涉及多个学科的交叉，包括心理学、计算机科学、生物医学工程等。其基本原理可以分为三个步骤：情感识别、情感理解和情感反应。 情感识别：通过各种传感器和数据源（如面部表情、语音、心率等）收集用户的情感信息。情感理解：通过机器学习和深度学习算法，分析和理解收集到的情感数据。情感反应：根据情感分析结果，生成适当的响应和行为。 随着深度学习和大数据技术的不断进步，情感计算将变得更加准确和高效，应用场景也将更加丰富。多模态情感识别：结合面部表情、语音、肢体动作等多种情感信号，进行综合情感识别，提升情感计算的准确性和鲁棒性。 实时情感反应：通过实时情感监测和反应，使AI能够进行更加自然和连续的情感互动。个性化情感计算：根据用户的个性化特征，提供定制化的情感响应和服务。 情感计算伦理：随着情感计算的广泛应用，需要考虑隐私保护和伦理问题，确保情感数据的安全和合法使用。结语通过本文的介绍，我们展示了如何使用Python实现情感计算。
3K10编辑于 2025-01-06 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南4-5
小程序经常需要向服务器传递数据或者从服务器拉取数据，这个时候可以使用wx.request这个API，在本章节会重点讨论wx.request的使用和注意事项。
1.2K10编辑于 2025-08-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号