e-Learning中基于交互文本的情感交互方法研究

针对当前e-Learning中普遍存在的"情感缺失"问题，本项目提出基于师生交互文本的情感识别及补偿的解决思路。主要研究：①e-Learning中情感交互的典型应用需求分析，构建融合学习者个性、兴趣等非智力因素的情感表示模型和基于情感交互变迁模式的情感计算模型；②针对交互文本的交互性、非平衡数据和情感的动态变化，提出一种面向师生交互文本而非视音频媒体的两阶段情感识别方法，实现个体/群体情感倾向识别和趋势预测；③针对e-Learning师生交互需求，设计情感补偿策略及推荐算法。本项目将弥补e-Learning领域情感建模的不足，开拓e-Learning领域交互文本的情感识别研究，有利于完善现有情感计算理论，为实现e-Learning中情感交互提供理论与方法。预期成果为：发表高水平学术论文8篇（国际期刊2篇），研制出基于交互文本的情感交互原型系统,并在我校网络教育平台中测试与验证。

针对当前e-Learning 中普遍存在的"情感缺失"问题，本项目提出基于师生交互文本的情感识别及补偿的解决思路。主要研究工作及贡献点如下：.在情感分类与因素分析方面，基于Plutchik的10个基本情感，通过收集1164名被试问卷，扩展得出面向网络学习者的粗细粒度结合的情感分类（粗粒度三类：正面、负面和平静；细粒度十七类：解脱、焦虑、愤怒、感激、同情、冷漠、喜爱、厌恶、快乐、悲伤、自豪、内疚、希望、痛苦，惊讶，中性），并发现网络学习者学习时频繁出现的负面情绪；基于偏最小二乘方法，发现了6维个性特征同情感补偿策略紧密相关，为情感补偿提供了指导意见。.在情感识别与补偿方面，针对交互文本的自然语言特征、互动性、句子短等特性，提出了面向交互文本的层次结构情感补偿机制，及基于主动聆听策略的情感识别与调整方法，其特点是：①提出了动态时间窗口和扩展级联PLSA的话题分割与跟踪方法，以及基于上下文特征的子话题识别方法，发现首事件和跟踪事件，克服话题时变与交叉导致的事件跟踪难题，为发现负面情绪学习者提供基础。②提出基于融合语法、统计、上下文特征的代价敏感随机森林的情感识别方法，经在5375和9730个话轮的两个语料上实测，其情感识别准确率优于SVM、贝叶斯等12种传统方法；③针对类非平衡情感识别问题，结合缺省恢复策略，对过采样、子采样、重采样、代价敏感等方法对比。实验结果显示，重采样能够极大地提升少数类样本识别精度。④针对情感补偿方式的多样性和用户体验的主观性，提出了融合信任评分-用户偏好的协同过滤算法音乐推荐方法，提升了用户满意度和覆盖率，同时，提出了基于“依赖关系归并-索引构建-合并预取”的情感补偿资源关联云存储与预取技术，提升了Hadoop上海量情感补偿小文件存储与读写性能。提出了基于案例推理的情绪调节相似性案例推荐方法，在千人/次实验中，68%认为该方法有效。.在应用验证方面，结合社会网络分析，提出了情感付出率、正、负情感付出率定义及算法，及意见领袖和情感引领者识别算法，印证了角色（教师和组长）在教学活动中自觉采用情感控制特性，学习成员间情感交流的紧密性。研制出具有交互文本情感识别与补偿的个性化学习系统，在交大计算机系和网络学院得到试用；发表期刊论文14篇，其中SCI源刊的国际期刊6篇，国际会议论文5篇。申请6项发明专利，授权2项.

内容获取失败，请点击重试