1、“.....高光视频片段高光视频片段本文的宗旨就是找出弹幕视频的情感鲜明突出的高光视频片段。所谓高光视频片段，即视频中的精彩片段，是指用户对视频部分内容带有强烈感情色彩讨论。通过研究发现，视频弹幕评论包含有定的时间相关性，即当用户发送弹幕词的语义信息。随着弹幕功能在各大主流视频网站的推广，弹幕评论中的观点和情感表达将更具普遍性和参考性。在弹幕评论情感分析的基础上，可以建立根据评论情感的视频检索新途径，满足更多元个性化的检索需求。本文结合弹幕视频特性设计种基于注意力机制的情感分析模型来提取视频中的精彩片段有效的分析了视频中弹幕评论的前后相关性，从而更准确的获得弹幕评论的主题信息。依据主题基于的弹幕评论情感分析论文原稿和等。基于的弹幕评论情感分析论文原稿......”。

2、“.....为输入序列的元素的数目。为权重矩阵，为最后输入对应的隐藏层状态。表示输入序列第个元素对应的隐藏层的状态值。主要思想是计算历史节点和最后输入节点的关系分数，然后计算占总体分数的比重，通过这个公式我们得到了每个输入对于最后段。随着弹幕功能在各大主流视频网站的推广，弹幕评论中的观点和情感表达将更具普遍性和参考性。在弹幕评论情感分析的基础上，可以建立根据评论情感的视频检索新途径，满足更多元个性化的检索需求。本文结合弹幕视频特性设计种基于注意力机制的情感分析模型来提取视频中的精彩片段有效的分析了视频中弹幕评论的前后相关性，从而更准确的获得弹幕评论的主题信息。依据主题模型对弹幕标，指标计算如下其中表示输出的判断正确的关系个数，表示输出的所有关系个数，代表测试集中的所有该关系的个数......”。

3、“.....弹幕视频截图上方的文字为用户发送的弹幕。高光视频片段高光视频片段本文的宗旨就是找出弹幕视频的情感鲜明突出的高光视频片段。所谓高光视频片段，即视频中的精彩片段，是指用户对视频数据包括不同类型的弹幕视频，过滤掉少于条弹幕的视频，如表所示每条评论数据包含评论文本和评论时间。本文选用作为中文分词工具，通过对弹幕数据进行分词清洗去噪之后，设置时间窗口，将视频分割成视频片段，整理得到个视频片段以及条弹幕评论，并随机将其中的半训练数据，半作为测试数据。实验设置本文选择了，算法作为本文实验的对比视频片段找到主题频率对应的最大值和最小值，我们可以设定个阈值来计算该片段是否是视频片段主题聚类我们以监督的方式处理高光视频片段。由弹幕和系列现有的标签组成的训练集，我们将分成等长的视频片段......”。

4、“.....本文通过使用算法作为分类器，对中模型的性能优于其他模型。利用情感分析模型得到的高光视频片段，可以推荐用户观看感兴趣的弹幕视频，帮助用户获取网络视频中包含的情感信息，进而提供种新的视频检索途径。参考文献，关键性输入对模型的影响，获取了更多前后关联弹幕评论的语义信息，从而证实本文方法在弹幕评论的情感分析应用中准确率的优势。基于的推荐算法考虑到了当遇到没有情感标注的词，即个完全陌生的新词，如何通过主题模型计算出该词的情感值。相对于其他种方法，考虑到当个陌生的词在不同场景中可能会有情感差异，并结合该词当前的主题分布实时计算出该词在当前视频及弹幕组成。实验结果如表是所有模型的实验结果。可以看出和非基于机制的普通的实验结果并不理想，其最好结果是在取得，对应的。当取得时......”。

5、“.....在取不同值的情况下均优于。其主要原因为根据视频片段的主题分布来计算片段之间的相似度，然而弹基于的弹幕评论情感分析论文原稿每个主题片段聚类可以得到主题集合。主题合并最后，对于任何相邻的片段和，即，我们将合并这两个片段得到新的片段。将所有片段合并后，我们获得了最终的高光视频片段集合。实验实验数据本文的实验数据是由国内弹幕网站上下载的视频及弹幕组成。基于的弹幕评论情感分析论文原稿。，邓扬，张晨曦，李江峰基于弹幕情感分析的视频片段推荐模型计算机应用，何炎祥，孙松涛，牛菲菲，李飞用于微博情感分析的种情感语义增强的深度学习模型計算机学报，郑飏飏，徐健，肖卓情感分析及可视化方法在网络视频弹幕数据分析中的应用现代图书情报技术，梁军，柴玉梅，原慧斌，高明磊......”。

6、“.....。对于所有表示输出的所有关系个数，代表测试集中的所有该关系的个数。对于所有视频片段找到主题频率对应的最大值和最小值，我们可以设定个阈值来计算该片段是否是视频片段主题聚类我们以监督的方式处理高光视频片段。由弹幕和系列现有的标签组成的训练集，我们将分成等长的视频片段，然后计算每个视频片段中的情感向量，因此基于的推荐方法优于其他对比方法。结语网络视频弹幕评论信息经情感分析及可视化处理后获取网络视频的情感特征及走势，可作为视频的情感标签，在此基础上我们可以建立种基于评论情感的视频检索模式。本文提出了种基于注意力机制的模型对网络弹幕评论数据集进行实验，并结合弹幕评论聚类主题进行分析。通过实验对比该模型与其他算法模型，我们幕评论中网络用语较多......”。

7、“.....这样就降低了主题模型在情感识别中的效果。表是取值时种模型的详细实验结果。通过对比分析实验结果可以发现，基于的视频片段推荐方法明显优于基于和基于的推荐方法，其主要原因是结合了注意力机制，突出片段的主题频率。本文通过使用算法作为分类器，对中的每个主题片段聚类可以得到主题集合。主题合并最后，对于任何相邻的片段和，即，我们将合并这两个片段得到新的片段。将所有片段合并后，我们获得了最终的高光视频片段集合。实验实验数据本文的实验数据是由国内弹幕网站上下载基于的弹幕评论情感分析论文原稿模型对视频片段情感相似度分析。输出的语义特征维度为，训练过程中采用策略，且取值。利用算法计算每个视频片段情感相似度分数，并取分数最高的个视频片段作为高光视频片段集......”。

8、“.....指标计算如下其中表示输出的判断正确的关系个数评论时，他们可以参考当前以及先前的弹幕评论内容，因此，相邻的评论在语义向量上可能是相似的，当视频呈现段精彩内容时，用户通过大量参与评论从而产生了对应的主题。基于这种现象，我们在弹幕评论周围的定区域，则我们把具有种主题的评论的视频片段称之为高光视频片段。数据包括不同类型的弹幕视频，过滤掉少于条弹幕的视频，如表所示每条评论数据包含评论文本和评论模型对弹幕中的词进行主题分类并计算视频片段之间的情感相似度，得到基于主题分布的精彩视频片段。通过加入注意机制突出了弹幕评论中关键性情感词的影响作用，进步提高了模型的准确率。相关工作弹幕定义弹幕弹幕可以定义为个元组，其包含了用户输入内容发送时间用户......”。

9、“.....其中英文弹幕包含了部分网络用语，如等数字部分包含了常用网输入的注意力概率。计算注意力分布概率的语义编码和特征向量，计算公式其中语义编码主要是通过注意力概率权重与历史输入节点的隐藏层状态乘积的累加得到。最终的语义编码是将含有历史节点的注意力概率分布的语义编码和文章总体向量作为传统模块的输入，然后最后节点的隐藏层状态值就是最终的特征向量。该特征向量，包含了历史输入节点的权重信息，突出了关中的词进行主题分类并计算视频片段之间的情感相似度，得到基于主题分布的精彩视频片段。通过加入注意机制突出了弹幕评论中关键性情感词的影响作用，进步提高了模型的准确率。相关工作弹幕定义弹幕弹幕可以定义为个元组，其包含了用户输入内容发送时间用户。本文主要对中文英文数字种形式的弹幕内容进行分析......”。