Sentiment Analysis Technologies of Advertising Images Based on Deep Learning
Notice bibliographique
Résumé
With the rapid advancement of the digital economy, advertising images have emerged as a core medium for brand communication.Sentiment classification of such images plays a critical role in precision marketing and the enhancement of user experience.Recent progress in deep learning offers novel approaches to sentiment analysis in advertising images.However, existing methods remain constrained by limitations in multimodal information fusion, multi-granularity visual feature processing, and attribute-level sentiment interpretation.Common issues include the simplistic concatenation of visual and textual features, neglect of the emotional correlation between local and global visual elements, and the absence of effective integration of multi-scale attribute-level perspectives, all of which result in inadequate classification accuracy and robustness.To address these challenges, an attribute-level sentiment analysis model based on multi-level vision-language alignment and fusion for advertising images was proposed.Through a multi-granularity visual information alignment technique, the model enables precise semantic matching between visual elements-at the pixel, region, and object levels-and their corresponding textual counterparts.Furthermore, multi-scale attribute-level viewpoints were integrated to capture emotional features across dimensions such as color, shape, and embedded textual content.A text-centered multimodal training strategy was also designed to filter irrelevant visual noise.Experimental results demonstrate significant improvements in both accuracy and robustness of advertising image sentiment classification.This model provides technical support for advertising effectiveness evaluation and strategy optimization.The findings contribute theoretically to the advancement of multimodal sentiment analysis and offer practical guidance for precision advertising in contexts such as e-commerce and social media.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».