Please wait a minute...
Data Analysis and Knowledge Discovery  2024, Vol. 8 Issue (6): 30-43    DOI: 10.11925/infotech.2096-3467.2023.0398
Current Issue | Archive | Adv Search |
A Review Summary Generation Model with Emotion-Topic Dual-Channel Information
Li Honglian1,Chen Haotian1,Zhang Le2(),Lv Xueqiang2,Tian Chi2
1School of Information & Communication Engineering, Beijing Information Science & Technology University, Beijing 100101, China
2Beijing Key Laboratory of Internet Culture and Digital Dissemination Research, Beijing Information Science & Technology University, Beijing 100101, China
Download: PDF (1210 KB)   HTML ( 10 ) 
Export: BibTeX | EndNote (RIS)      
Abstract  

[Objective] This paper aims to solve the problem that traditional automatic summarization technology cannot deeply integrate emotion and topic information synthetically, and cannot solve the lexical deficiency, a review summary generation model integrating emotion and topic information is proposed. [Methods] TextRank is used to dynamically extract the comment topic sentence, and PyABSA model is used to extract the aspect word-emotion word sequence in the topic sentence to concatenate the topic sentence to obtain the final topic information. The emotion sentence is obtained by constructing the emotion word set and Bi-LSTM emotion word extraction model integrating the topic, and the comment text and emotion sentence are concatenated to form dual-channel information with the topic sentence. The attention mechanism is used to obtain topic attention and emotion attention, respectively, and the superposition of them is deeply fused to obtain fusion attention. The single-channel attention of the pointer generation network is replaced, and the final comment summary is generated by the pointer network. [Results] Compared with the comparative experiment Topic+PNG, the proposed pointer generation network with dual-channel information improves the ROUGE-1, ROUGE-2 and ROUGE-L values by 2.87%, 6.14% and 2.64%, respectively. The ablation experiment showed that ROUGE-1, ROUGE-2 and ROUGE-L value of integrating dual-channel information were 4.49%, 3.66% and 4.16% higher than single-channel information. [Limitations] Because fine-grained attribute words may appear in comments, the integration of fine-grained attributes is not considered. [Conclusions] The model can effectively integrate the topic information and emotion information of the comments, improve the quality of the two-channel information fusion, and outperform the comparison model in the summary generation results. The generated summary can contain more emotion and topic information.
Key words： Review Summary      Dual-Channel      Attention Mechanism      Pointer-Generator Network     
Received: 02 May 2023      Published: 08 January 2024
ZTFLH:  G35  
Fund:National Natural Science Foundation of China(62171043);Key Project of the National Language Commission of China(ZDI145-10);Scientific Research Project of the Beijing Municipal Education Commission(KM202311232001)
Corresponding Authors: Zhang Le，ORCID：0000-0002-9620-511X，E-mail：zhangle@bistu.edu.cn。   
Service
E-mail this article
Add to my bookshelf
Add to citation manager
E-mail Alert
RSS
Articles by authors
Honglian Li
Haotian Chen
Le Zhang
Xueqiang Lv
Chi Tian

Cite this article:

Li Honglian, Chen Haotian, Zhang Le, Lv Xueqiang, Tian Chi. A Review Summary Generation Model with Emotion-Topic Dual-Channel Information. Data Analysis and Knowledge Discovery, 2024, 8(6): 30-43.

URL:

https://manu44.magtech.com.cn/Jwk_infotech_wk3/EN/10.11925/infotech.2096-3467.2023.0398     OR     https://manu44.magtech.com.cn/Jwk_infotech_wk3/EN/Y2024/V8/I6/30

Framework of Review Summary Generation Model with Emotion-Topic Information
主题句内容 方面词-情感词序列
价格 优惠 是 正品 很好用 包装 也 很 高端 大气 上档次 值得 购买 五星 好评 跟 专卖店 一样 价格-优惠 包装-高端
希望 店家 多多 优惠 其他 就是 感谢 店家 打折 送 券 活动 产品 总体 不错 快递 也 发货 很快 产品-不错 快递-很快
Samples of Aspect Words-Emotion Words Sequence
Framework of Bi-LSTM Emotion Word Recognition Model with Topic
评论内容 主题句 情感句
是 余华 老师 的 获奖作品 ，极力 推荐 。 是 一个 时代 的 缩影 ，人物
鲜活 ，形 象 生动 ，一口气 读完 ，真是 难得 的 佳作 。		 是 一个 时代 的 缩影 人物 鲜活形象 生动
通俗文学 的 经典之作 ，情节 曲折离奇 ，引人入胜 ，人物 爱憎分明 ，
令人感动 ，主题 扬善 罚恶 ，催人泪下 。		 情节 曲折离奇 人物 爱憎分明 主题 扬善 惩恶
催人 泪下
文景 的 书 ，纸质 和 印刷 没得说 。 胡赛 尼 的 书 总是 有 一种 吸引 你
一口气 读完 的 魅力 ，但是 这 本书 读 到 最后 又 舍不得 把 它 读完 。
个人 认为 这本 比 追 风筝 的 人 更 优秀 ，无论是 立意 内容 还是 语言 。		 纸质 和 印刷 没得说
胡赛 尼 的 书 总是 有 一种 吸引 你
一口气 读完 的 魅力		 但是 这本书 读 到
最后 又 舍不得 把
它 读完
Samples of Emotional Sentences and Topic Sentences
Dual Channel Pointer Network with Emotion-Topic Information
书名 评论 摘要
《红楼梦》 值 了 ，很棒 的 一套 珍藏品 ，平时 没事 拿来 看看 ，感觉 好极了 。 价格 实在 是 实惠 ，可比 书店 便宜 不少 。 印刷 质量 很 好 ，纸张 质量 也 不错 ，推荐 购买 。 很棒 的 一套
珍藏品
送货 速度 快 ，专用 瓦楞 纸盒包装 ，性价比 很 高 的 图书 。 硬皮 装订 带 简易 书签 ，有 彩色 插图 ，还 附送 一张 人物 关系 图 便于 阅读 过程 中 随时 查询 ，非常 实用 。 性价比 很 高 的
图书
中国 的 国粹 。 红楼梦 这部 小说 所 要 表达 的 东西 很多 ，细细 品来 ，会 有 很多 人生 感悟 。 中国 的 国粹
Samples of Book Review Data
参数名 参数值
编码器原文本最大长度 150
编码器主题句最大长度 50
编码器情感句最大长度 30
训练集批处理大小 32
验证集批处理大小 32
学习率 0.001
隐藏层维度 256
Dropout 0.2
激活函数 ReLU
优化函数 Adam
Experimental Parameter Setting
算法或模型 ROUGE-1/% ROUGE-2/% ROUGE-L/%
Lead-1 23.16 17.89 21.22
TextRank 18.20 10.27 18.01
改进TextRank 19.64 11.25 19.32
BERTSUM 30.54 21.86 29.59
PGN 37.24 30.07 36.97
WordNet+Dual-Att+PGN 37.93 30.61 37.44
Transformer+PGN 38.31 19.77 38.01
LSTM+GCN 38.82 31.46 38.29
主题+PGN 39.07 27.66 38.63
本文 41.94 33.80 41.27
Comparison of Model Performance
原文 PGN 主题+PGN 本文
不知 从 何时 起 我 就 喜欢 上 了 艺术 ，艺术 的 故事 也 是 历史 的 故事 ，我们 一定 要 好好学习 艺术 。 艺术 是 很 有趣 的 学问 ，我 就 喜欢 艺术 一发 不可收拾 ，这 本书 关注 很久 了 ，接下来 好好 读读 。 我们一定要好好学习艺术，艺术很有趣。 喜欢上了艺术，艺术是个有趣的学问。 喜欢 艺术 一发 不可收拾，艺术 的 故事 是 历史 的 故事，也 是 有 趣 的 学 问。
收到 图书 后 马上 拆包 ，万万 没想到 ，满满的 惊喜 。 图书 是 彩印 的 ，完全 没有 油漆 味道 ，打印质量 非常 精致 ，图书 编辑 也 很 用心 ，部分 的 生僻字 会 用 拼音 标注 ，降低 青少年 的 阅读 难度 。 文字 优美 有 大量 优美 语句 ，词语 生动 ，适合 小学生 阅读 。 图书是彩印，没有油漆味，文字优美。 图书是彩印的，降低青少年的阅读难度，文字优美。 没想到，满满的惊喜，图书是彩印 的，没有油漆味道，打印 精致，适合小学生阅读难度。
非常适合 低年级 孩子 用来 了解 史记 的 一 本书 。 印刷 清晰 ，图片 精美 ，好 词会用 彩色 标示 出来 。 意外 的 是 后面 还会 有 词语 收藏夹 来 解释 这些 词语 ，文章 后面 还有 历史 总结 ，历史 总结 里面 包含 了 哲学 、 国学 、 启蒙 。 一套 入 了 不会 后悔 的 历史 、文学 、 哲学 、 国学 、 启蒙 书 。 里面 还 附赠 了 本 阅读 手账 ，孩子 非常 喜欢 。 印刷 清晰，图片 精美，好词 会 彩色 标示 的 一 本书。 适合孩子了解史记，印刷清晰图片 精美好词会用彩色 标示的一本书，入 了 不会 后悔。 适合 孩子 了解 史记，意外 的 是 后面还会 有 词语 收藏夹，印刷 清晰，图片 精美，好 词会用彩色 标示 的 一 本书。
读 《读者》 时 了解 到 ，《尤里西斯》 是 萧乾 、 文洁若 夫妻 二人 在 80 多 岁 的 时候 拖着 虚弱 的 身躯 ，整整 翻译 了 五年 ，可以 说 耗费 了 他们 许多 的 心血 ，觉得 非常 值得 拥有 ，所以 就 毫不 犹豫 下单 买 了 ，看到 这 本 书 有 八 大 特色 ，相信 不会 让 自己 失望 。 萧乾 拖着 身躯 翻译了 五年 ，可以 说耗费 了 许多 心血，值得 拥有 。 萧乾 拖着 身躯 翻译
了 五年 ，可以 说
耗费 了 许多 心血 ，有 八 大 特色 。		 萧乾 拖着 虚弱 的 身躯 整整 翻译 了 五年 ，可以 说 耗费 了许多 心血 ，毫不 犹豫 下单 买 了 ，有 八 大 特色 。
Examples of Summary Results
评论内容 情感词典 Bi-LSTM情感词抽取模型
终于买到了余华的新书，先赞一下京东的物流，次日达真的是太快了，没有破损，包装很到位。然后书的质量很好精装书，内页纸张顺滑，手感也好，颜色偏黄对眼睛很友好。 终于买到了余华的新书，先赞一下京东的物流，次日达真的是太快了，没有破损，包装很到位。然后书的质量很好精装书，内页纸张顺滑，手感也好，颜色偏黄对眼睛很友好。 终于买到了余华的新书，先赞一下京东的物流，次日达真的是太快了，没有破损，包装很到位。然后书的质量很好精装书，内页纸张顺滑，手感也好，颜色偏黄对眼睛很友好。
封面精美 印刷清晰 纸张顺滑 。作为经典读物经常会看到网上的读者说看过这本书才知道什么是绝望的人生。在那个年代 很多人大概都是这么过来的。我反而觉得与其说这本书让人绝望不如说他是给人希望的 福贵在经历的家人一个个远去之后 不还是一样坚强的活着吗 还能时不时打趣的向作者讲述他的人生。作者写作流畅 故事引人入胜 触动人心。 封面精美 印刷清晰 纸张顺滑 。作为经典读物经常会看到网上的读者说看过这本书才知道什么是绝望的人生。在那个年代 很多人大概都是这么过来的。我反而觉得与其说这本书让人绝望不如说他是给人希望的 福贵在经历的家人一个个远去之后 不还是一样坚强的活着吗 还能时不时打趣的向作者讲述他的人生。作者写作流畅 故事引人入胜 触动人心。 封面精美 印刷清晰 纸张顺滑 。作为经典读物经常会看到网上的读者说看过这本书才知道什么是绝望的人生。在那个年代 很多人大概都是这么过来的。我反而觉得与其说这本书让人绝望不如说他是给人希望的 福贵在经历的家人一个个远去之后 不还是一样坚强的活着吗 还能时不时打趣的向作者讲述他的人生。作者写作流畅 故事引人入胜 触动人心。
Samples of Book Review Emotional Words Extraction
模型 ROUGE-1 ROUGE-2 ROUGE-L
本文 41.94 33.80 41.27
PGN 37.24 30.07 36.97
w/o A-S Sequence 41.26 33.52 40.73
w/o sentiment+Dual-Attention 37.92 30.38 37.68
w/o center+Dual-Attention 37.85 30.61 37.58
w/o Dual-Attention 37.45 30.14 37.11
w/o sentiment 38.76 31.20 38.24
w/o center 38.52 31.05 38.12
Results of Ablation Experiments
[1] Li H S, Li Y. Target Damage Distribution Probability Calculation Arithmetic Based on Space Tangential Differential Unit Area[J]. IEEE Sensors Journal, 2015, 15(4): 2274-2279.
[2] Chakraborty U. The Impact of Source Credible Online Reviews on Purchase Intension: The Mediating Roles of Brand Equity Dimensions[J]. Journal of Research in Interactive Marketing, 2019, 13(2): 142-161.
doi: 10.1108/JRIM-06-2018-0080
[3] 明拓思宇, 陈鸿昶. 文本摘要研究进展与趋势[J]. 网络与信息安全学报, 2018, 4(6): 1-10.
[3] (Ming Tuosiyu, Chen Hongchang. Research Progress and Trend of Text Summarization[J]. Chinese Journal of Network and Information Security, 2018, 4(6): 1-10.)
[4] 张云纯, 张琨, 徐济铭, 等. 基于图模型的多文档摘要生成算法[J]. 计算机工程与应用, 2020, 56(16): 124-131.
doi: 10.3778/j.issn.1002-8331.1905-0456
[4] (Zhang Yunchun, Zhang Kun, Xu Jiming, et al. Multi-document Summary Generation Algorithm Based on Graph Model[J]. Computer Engineering and Applications, 2020, 56(16): 124-131.)
doi: 10.3778/j.issn.1002-8331.1905-0456
[5] Huang C L, Jiang W J, Wu J, et al. Personalized Review Recommendation Based on Users’ Aspect Sentiment[J]. ACM Transactions on Internet Technology, 2020, 20(4): 1-26.
[6] Mihalcea R, Tarau P. TextRank: Bringing Order into Texts[C]// Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing. 2004: 404-411.
[7] Gambhir M, Gupta V. Recent Automatic Text Summarization Techniques: A Survey[J]. Artificial Intelligence Review, 2017, 47(1): 1-66.
[8] 谷莹, 李贺, 祝琳琳. 融合主题聚类和语义图模型的产品评论自动摘要方法研究[J]. 图书情报工作, 2022, 66(13): 118-126.
doi: 10.13266/j.issn.0252-3116.2022.13.011
[8] (Gu Ying, Li He, Zhu Linlin. Research on Automatic Summarization Method of Product Reviews Based on Topic Clustering and Semantic Graph Model[J]. Library and Information Service, 2022, 66(13): 118-126.)
doi: 10.13266/j.issn.0252-3116.2022.13.011
[9] Rush A M, Chopra S, Weston J. A Neural Attention Model for Abstracti Sentence Summarization[C]// Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing. 2015: 379-389.
[10] See A, Liu P J, Manning C D. Get to the Point: Summarization with Pointer-Generator Networks[C]// Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1:Long Papers). 2017: 1073-1083.
[11] 郭继峰, 费禹潇, 孙文博, 等. 一种融合主题的PGN-GAN文本摘要模型[J]. 小型微型计算机系统, 2023, 44(1): 199-203.
[11] (Guo Jifeng, Fei Yuxiao, Sun Wenbo, et al. Text Summarization Model Based on PGN-GAN with Topic[J]. Journal of Chinese Computer Systems, 2023, 44(1): 199-203.)
[12] Xie N T, Li S J, Ren H L, et al. Abstractive Summarization Improved by WordNet-Based Extractive Sentences[C]// Proceedings of CCF International Conference on Natural Language Processing and Chinese Computing. 2018: 404-415.
[13] 沈彬, 严馨, 周丽华, 等. 基于ERNIE和双重注意力机制的微博情感分析[J]. 云南大学学报(自然科学版), 2022, 44(3): 480-489.
[13] (Shen Bin, Yan Xin, Zhou Lihua, et al. Microblog Sentiment Analysis Based on ERNIE and Dual Attention Mechanism[J]. Journal of Yunnan University (Natural Sciences Edition), 2022, 44(3): 480-489.)
[14] 高玮军, 朱婧, 赵华洋, 等. 基于TRF-IM模型的个性化酒店评论摘要生成[J]. 计算机工程与应用, 2023, 59(2): 135-142.
doi: 10.3778/j.issn.1002-8331.2107-0144
[14] (Gao Weijun, Zhu Jing, Zhao Huayang, et al. Personalized Product Review Summary Generation Based on TRF-IM Model[J]. Computer Engineering and Applications, 2023, 59(2): 135-142.)
doi: 10.3778/j.issn.1002-8331.2107-0144
[15] Xu H Y, Liu H T, Jiao P F, et al. Transformer Reasoning Network for Personalized Review Summarization[C]// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2021: 1452-1461.
[16] 林莉媛, 王中卿, 李寿山, 等. 基于PageRank的中文多文档文本情感摘要[J]. 中文信息学报, 2014, 28(2): 85-90.
[16] (Lin Liyuan, Wang Zhongqing, Li Shoushan, et al. Chinese Multi-Document Opinion Summarization via PageRank[J]. Journal of Chinese Information Processing, 2014, 28(2): 85-90.)
[17] Yang H, Zhang C, Li K. PyABSA: A Modularized Framework for Reproducible Aspect-Based Sentiment Analysis[C]// Proceedings of the 32nd ACM International Conference on Information and Knowledge Management. 2022: 5117-5122.
[18] Che W X, Feng Y L, Qin L B, et al. N-LTP: An Open-Source Neural Language Technology Platform for Chinese[C]// Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing:System Demonstrations. 2021: 42-49.
[19] 章成志, 童甜甜, 周清清. 基于细粒度评论挖掘的书评自动摘要研究[J]. 情报学报, 2021, 40(2): 163-172.
[19] (Zhang Chengzhi, Tong Tiantian, Zhou Qingqing. Automatic Summarization of Book Reviews Based on Fine-Grained Review Mining[J]. Journal of the China Society for Scientific and Technical Information, 2021, 40(2): 163-172.)
[20] Hochreiter S, Schmidhuber J. Long Short-Term Memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
doi: 10.1162/neco.1997.9.8.1735 pmid: 9377276
[21] Bahdanau D, Cho K, Bengio Y. Neural Machine Translation by Jointly Learning to Align and Translate[OL]. arXiv Preprint, arXiv: 1409. 0473.
[22] Mikolov T, Chen K, Corrado G S, et al. Efficient Estimation of Word Representations in Vector Space[OL]. arXiv Preprint, arXiv: 1301. 3781.
[23] 李岱峰, 林凯欣, 李栩婷. 基于提示学习与T5 PEGASUS的图书宣传自动摘要生成器[J]. 数据分析与知识发现, 2023, 7(3): 121-130.
[23] (Li Daifeng, Lin Kaixin, Li Xuting. Automated Book Summary Generator Based on Prompt Learning and T5 PEGASUS[J]. Data Analysis and Knowledge Discovery, 2023, 7(3): 121-130.)
[24] 张宜飞, 张迎, 王中卿, 等. 基于上下文信息的产品评论摘要Bi-LSTM模型[J]. 计算机应用与软件, 2021, 38(6): 113-119.
[24] (Zhang Yifei, Zhang Ying, Wang Zhongqing, et al. Product Review Summarization Bi-LSTM Model Based on Context Information[J]. Computer Applications and Software, 2021, 38(6): 113-119.)
[25] Ng J P, Abrecht V. Better Summarization Evaluation with Word Embeddings for ROUGE[C]// Proceedings of the 2015 Conference on Empirical Methods in Natural Language Processing. Stroudsburg. 2015: 1925-1930.
[26] Lin C Y. Rouge: A Package for Automatic Evaluation of Summaries[C]// Proceedings of the Workshop on Text Summarization Branches Out (WAS 2004). 2004: 74-81.
[27] 李越, 毛存礼, 余正涛, 等. 融合主题及上下文特征的汉缅双语词汇抽取方法[J]. 小型微型计算机系统, 2021, 42(1): 91-95.
[27] (Li Yue, Mao Cunli, Yu Zhengtao, et al. Method of Chinese Burmese Bilingual Vocabulary Extraction Based on Subject and Context Features[J]. Journal of Chinese Computer Systems, 2021, 42(1): 91-95.)
[28] Liu Y. Fine-Tune BERT for Extractive Summarization[OL]. arXiv Preprint, arXiv:1903.10318.
[29] Vintals O, Fortunato M, Jaitly N. Pointer Networks[C]// Proceedings of the 28th International Conference on Neural Information Processing Systems-Volume 2. 2015: 2692-2700.
[30] Deaton J, Jacobs A, Kenealy K, et al. Transformers and Pointer-Generator Networks for Abstractive Summarization[OL]. 2019. [2023-04-01]. https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1204/reports/custom/15784595.pdf.
[31] 李健智, 王红玲, 王中卿. 基于图卷积网络的专利摘要自动生成研究[J]. 计算机科学, 2022, 49(6A): 172-177.
doi: 10.11896/jsjkx.210400117
[31] (Li Jianzhi, Wang Hongling, Wang Zhongqing. Automatic Generation of Patent Summarization Based on Graph Convolution Network[J]. Computer Science, 2022, 49(6A): 172-177.)
doi: 10.11896/jsjkx.210400117
[1] Peng Jingjie, Gu Yijun, Zhang Lanze. Hypergraph-Based Rumor Detection Model Integrating User Propagation Bias Information[J]. 数据分析与知识发现, 2024, 8(6): 82-94.
[2] Lyu Xueqiang, Tian Chi, Zhang Le, Du Yifan, Zhang Xu, Cai Zangtai. Multimodal Sentiment Analysis Model Integrating Multi-features and Attention Mechanism[J]. 数据分析与知识发现, 2024, 8(5): 91-101.
[3] Feng Lizhou, Liu Furong, Wang Youwei. Detecting Rumor Based on Graph Convolution Network and Attention Mechanism[J]. 数据分析与知识发现, 2024, 8(4): 125-136.
[4] Liu Chengshan, Li Puguo, Wang Zhen. A Researcher Recommendation Model for Research Teams[J]. 数据分析与知识发现, 2024, 8(3): 132-142.
[5] Quan Ankun, Li Honglian, Zhang Le, Lyu Xueqiang. Generating Chinese Abstracts with Content and Image Features[J]. 数据分析与知识发现, 2024, 8(3): 110-119.
[6] Li Hui, Hu Yaohua, Xu Cunzhen. Personalized Recommendation Algorithm with Review Sentiments and Importance[J]. 数据分析与知识发现, 2024, 8(1): 69-79.
[7] He Li, Yang Meihua, Liu Luyao. Detecting Events with SPO Semantic and Syntactic Information[J]. 数据分析与知识发现, 2023, 7(9): 114-124.
[8] Han Pu, Gu Liang, Ye Dongyu, Chen Wenqi. Recognizing Chinese Medical Literature Entities Based on Multi-Task and Transfer Learning[J]. 数据分析与知识发现, 2023, 7(9): 136-145.
[9] Han Pu, Zhong Yule, Lu Haojie, Ma Shiwen. Identifying Named Entities of Adverse Drug Reaction with Adversarial Transfer Learning[J]. 数据分析与知识发现, 2023, 7(3): 131-141.
[10] Zhou Ning, Zhong Na, Jin Gaoya, Liu Bin. Chinese Text Sentiment Analysis Based on Dual Channel Attention Network with Hybrid Word Embedding[J]. 数据分析与知识发现, 2023, 7(3): 58-68.
[11] Su Mingxing, Wu Houyue, Li Jian, Huang Ju, Zhang Shunxiang. AEMIA:Extracting Commodity Attributes Based on Multi-level Interactive Attention Mechanism[J]. 数据分析与知识发现, 2023, 7(2): 108-118.
[12] Wang Yong, Chen Junyu, Liu Dong, Deng Jiangzhou. A Deep Learning Recommendation Model with Item Audience Feature[J]. 数据分析与知识发现, 2023, 7(12): 114-124.
[13] Chen Haoran, Hong Liang. Financial Public Opinion Risk Prediction Model Integrating Knowledge Association and Temporal Transmission[J]. 数据分析与知识发现, 2023, 7(11): 1-13.
[14] Qiang Zishan, Gu Yijun. Detecting Social Media Rumors Based on Multimodal Heterogeneous Graph[J]. 数据分析与知识发现, 2023, 7(11): 68-78.
[15] Wang jinzheng, Yang Ying, Yu Bengong. Classifying Customer Complaints Based on Multi-head Co-attention Mechanism[J]. 数据分析与知识发现, 2023, 7(1): 128-137.
  Copyright © 2016 Data Analysis and Knowledge Discovery   Tel/Fax:(010)82626611-6626，82624938   E-mail:jishu@mail.las.ac.cn