摘要：针对慕课(MOOC)评论中存在少数类特征偏移的问题,提出一种基于特征偏移补偿的深度智能化教学评价方法.该方法首先使用Glove预训练模型获取MOOC评论的分布式词向量;然后采用浅层卷积神经网络,通过多个卷积核学习教学评价的语义,引入不同类别评论的数量设计影响因子,归一化该影响因子并应用到交叉熵损失函数中;最后基于Coursera平台的本科学生教学评论数据集,通过与其他损失函数在F_(1),gmean, balance, gmeasure等评价指标上进行性能对比实验.实验结果表明,基于归一法的特征偏移补偿损失函数在gmeasure指标上比基类损失函数得到了最多15.40%的性能提升,并且采用该损失函数的分类模型也表现出较强的稳定性.

摘要：自媒体突发舆情中的消极情绪如果得不到及时疏导,易演变为具有较大负面影响力的网络舆情事件。目前学界已经提出多种针对网络舆情的情感分析方法,但尚无针对中文自媒体突发舆情情绪识别的可解释性研究。本文设计了采用粒子群优化算法进行超参数优化的卷积神经网络语义分析模型,并采用积分梯度算法对舆情情绪进行解释性分析,最后在搜集的微博数据集上检验该模型,证明了该框架的有效性。