Research on the Value and Language Features of Chinese Language and Literature Texts Based on Text Mining Technology
Notice bibliographique
Résumé
Sentiment analysis belongs to a classification technique with strong practical value, which can identify the hidden imagery in the text.In this paper, we study the sentiment tendency of words in Chinese language and literature texts, design a fuzzy ontology-based method for calculating textual sentiment tendency, build a textual sentiment tendency analysis model (SDNN) based on deep neural network and sentiment attention mechanism, and use the model in Chinese language and literature texts for empirical analysis.At 202 iterations, the Loss value of the SDNN model reaches the lowest value of 0.4626, and the corresponding accuracy, recall, and F1 values are 90.44%,79.68%, and 84.72%, respectively, and tend to be stable.It indicates that the model has better classification performance and can be used in the task of analyzing the sentiment of Chinese language and literature texts.In addition, this paper explores the rhyme structure of character emotion vocabulary in Chinese language literary discourse, and takes Liu Zongyuan's related works as an example for empirical analysis of the model.The results show that Liu Zongyuan's emotion during his ten years in Yongzhou is generally in low, and the proportion of his negative emotion has been above 75%, which is reflected in the text vocabulary emotion is more sad than happy.This paper is of some significance for the study of the emotional tendency of vocabulary in Chinese language literary texts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».