利用協(xié)同神經(jīng)網(wǎng)絡(luò)的學(xué)者情感分析

引言

隨著社交網(wǎng)站的發(fā)展和智能終端的普及，越來越多的學(xué)者利用學(xué)術(shù)社交網(wǎng)站（Academic Social Network Sites，ASNS）開展各種學(xué)術(shù)社交活動，例如學(xué)者用戶可以在ASNS上獲取學(xué)術(shù)信息、聯(lián)絡(luò)學(xué)術(shù)朋友、發(fā)表學(xué)術(shù)觀點(diǎn)、討論學(xué)術(shù)話題、開展科研協(xié)作、交流學(xué)術(shù)經(jīng)驗(yàn)、參與同行評議、分享科研成果以及共享學(xué)術(shù)資源等。[1，2]ASNS主要是針對學(xué)術(shù)信息共享和學(xué)者交流而建立的網(wǎng)站，對學(xué)者之間的交流、通信和合作方式等產(chǎn)生了深刻的影響。學(xué)者網(wǎng)（SCHOLAT，https：//www.scholat.com/）是國內(nèi)具有高影響力的ASNS，為科研學(xué)者提供了高效便捷的交流渠道，整合了共享和交流兩大核心功能，體現(xiàn)了共享、和諧、友好和協(xié)作等理念。學(xué)者網(wǎng)既是一個(gè)匯集了文本圖像等模態(tài)數(shù)據(jù)的學(xué)術(shù)社交平臺，也是學(xué)術(shù)研究者之家園，國內(nèi)外許多學(xué)者已經(jīng)加入到這個(gè)平臺。在這個(gè)平臺上，學(xué)者可以簡單快捷地公開或發(fā)布學(xué)術(shù)動態(tài)信息，可以輕松方便地發(fā)現(xiàn)或聯(lián)系與自身研究領(lǐng)域相關(guān)的同行學(xué)者，可以高效地傳播或推廣學(xué)術(shù)相關(guān)的信息。相關(guān)學(xué)者用戶發(fā)布動態(tài)信息之后，其他感興趣的學(xué)者可以及時(shí)了解，也可以對動態(tài)信息表達(dá)出自身的一種情感。例如，某學(xué)者對于某一條動態(tài)信息表達(dá)支持、認(rèn)同、肯定或同意等情感時(shí)，最常見的方式是點(diǎn)贊、轉(zhuǎn)發(fā)或收藏該條動態(tài)信息，或者是對該條動態(tài)信息發(fā)表正面評論。反之，如果某學(xué)者對某條動態(tài)信息持一種中立、忽視或否定等情感時(shí)，通常的方式是瀏覽完后離開頁面，或者對動態(tài)信息發(fā)表相關(guān)負(fù)面評論。

學(xué)者或?qū)W術(shù)研究人員是一個(gè)較為特殊的群體，他們對社會的影響往往也是巨大的。因此，學(xué)者們在ASNS上的個(gè)體使用行為值得關(guān)注。學(xué)者的行為與學(xué)者的情感是緊密相關(guān)的，對學(xué)者的情感開展相關(guān)研究，有助于及時(shí)了解學(xué)者的情感傾向，可以為學(xué)者推薦其感興趣的相關(guān)領(lǐng)域的學(xué)術(shù)動態(tài)信息，也可以促進(jìn)學(xué)者相互之間的交流。[3]本文基于學(xué)者網(wǎng)平臺，利用平臺的數(shù)據(jù)資源，提出了一種基于協(xié)同神經(jīng)網(wǎng)絡(luò)（Synergetic Neural Network，SNN）的學(xué)者情感分析模型，旨在分析和挖掘?qū)W者對學(xué)術(shù)動態(tài)信息的情感。在基于學(xué)者網(wǎng)的學(xué)者情感數(shù)據(jù)集上開展了相關(guān)實(shí)驗(yàn)，結(jié)果顯示，本文所提出的模型可以獲得良好的學(xué)者情感分類性能。

一、相關(guān)工作

情感分析也稱為觀點(diǎn)挖掘，是人工智能或自然語言處理領(lǐng)域的重要研究內(nèi)容之一。[4，5]通常是指對帶有情感色彩的主觀性數(shù)據(jù)進(jìn)行處理、挖掘和推理等過程。在近些年，神經(jīng)網(wǎng)絡(luò)的浪潮再次掀起，其在很多研究應(yīng)用領(lǐng)域發(fā)揮了重要的作用?？蒲袑W(xué)者期望使用神經(jīng)網(wǎng)絡(luò)的顯著優(yōu)勢來解決或優(yōu)化一些用傳統(tǒng)方法難以解決的問題，當(dāng)前已有很多學(xué)者利用神經(jīng)網(wǎng)絡(luò)的優(yōu)勢開展了情感分析的研究工作。[6-17]方悅等提出了一種雙通道卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)變體的特征融合情感分析模型，能夠獲取更全面的情感特征。[6]王宇欣等從不同角度對注意力機(jī)制進(jìn)行分類并闡述了注意力機(jī)制結(jié)合各類神經(jīng)網(wǎng)絡(luò)模型在情感分析中的應(yīng)用。[7]楊青等提出了一種注意力機(jī)制和門控單元融合的情感分析模型，提升了捕獲文本上下文語義和提取文本內(nèi)重要信息的能力。[8]Poria等提出了多層次多注意力機(jī)制的上下文多模態(tài)情感分析模型，在捕獲上下文信息方面取得了良好效果。[15]Majumder等提出了一個(gè)帶有注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)，改善了會話情緒檢測效果。[16]Hazarika等利用模態(tài)的不變性和專屬性對多模態(tài)情感分析進(jìn)行建模，將每個(gè)模態(tài)投射到兩個(gè)不同的子空間，取得了良好的實(shí)驗(yàn)效果。[17]

SNN是一種典型的自組織神經(jīng)網(wǎng)絡(luò)模型，通過自上而下的方式構(gòu)造網(wǎng)絡(luò)，從動力學(xué)方程出發(fā)，利用協(xié)同學(xué)中的支配原理和勢函數(shù)機(jī)制，利用網(wǎng)絡(luò)的內(nèi)部競爭與合作過程作為網(wǎng)絡(luò)的運(yùn)行機(jī)制。SNN具有訓(xùn)練時(shí)間短、網(wǎng)絡(luò)收斂快、能夠在數(shù)學(xué)意義上嚴(yán)格處理網(wǎng)絡(luò)的行為、其序參量的演化過程符合人的認(rèn)知過程以及有較高的可解釋性與可類比推理性等優(yōu)點(diǎn)。已有學(xué)者利用SNN開展了相關(guān)研究工作。郭巍等提出了基于協(xié)同神經(jīng)網(wǎng)絡(luò)對軍事目標(biāo)進(jìn)行識別的方法，并通過仿真驗(yàn)證了其方法的有效性。[18]張愛華提出一種動態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)算法，采取了注意參數(shù)動態(tài)調(diào)整的策略，在演化過程中對誤識別的模式進(jìn)行自適應(yīng)糾正，實(shí)驗(yàn)表明提高了網(wǎng)絡(luò)的自學(xué)習(xí)能力和分類的精度。[19]緱水平等提出了基于免疫克隆聚類的協(xié)同神經(jīng)網(wǎng)絡(luò)原型向量求解算法，可以提高網(wǎng)絡(luò)的識別性能。[20]孫靜提出了一種基于協(xié)同神經(jīng)網(wǎng)絡(luò)算法的紅樹林圖像識別方法，利用微粒群算法對平衡參數(shù)方法進(jìn)行改進(jìn)后識別效率得到改善。[21]

學(xué)者網(wǎng)創(chuàng)立于2009年。自創(chuàng)立以來，學(xué)者網(wǎng)受到了廣泛的關(guān)注和肯定。很多科研學(xué)者紛紛基于該平臺開展了相關(guān)研究，例如進(jìn)行教學(xué)模式挖掘[22]、教學(xué)平臺研究[23]、學(xué)者論文與項(xiàng)目關(guān)聯(lián)模型挖掘[24]、學(xué)者推薦[25]以及社區(qū)發(fā)掘[26]等。以上工作都是基于學(xué)者網(wǎng)開展的相關(guān)研究，也都取得了一定成果，但是目前還沒有研究人員針對學(xué)者網(wǎng)中的學(xué)者情感數(shù)據(jù)開展研究。學(xué)者的情感表達(dá)模式相對比較穩(wěn)定，利用SNN對學(xué)者情感進(jìn)行建模，有望能獲得良好的情感識別性能，進(jìn)而為提高推薦系統(tǒng)的性能提供實(shí)踐導(dǎo)向。學(xué)者網(wǎng)中蘊(yùn)藏著豐富的學(xué)者情感數(shù)據(jù)，可以為本研究提供數(shù)據(jù)支持。基于以上，本文提出利用協(xié)同神經(jīng)網(wǎng)絡(luò)的學(xué)者情感分析模型。

二、模型框架

（一）SNN原理

協(xié)同學(xué)的創(chuàng)始人是德國物理學(xué)家Haken（哈肯）教授。在20世紀(jì)70年代，哈肯深刻闡述了協(xié)同的概念。[27]在20世紀(jì)90年代，哈肯將協(xié)同學(xué)思想擴(kuò)展到計(jì)算機(jī)科學(xué)和認(rèn)知科學(xué)，并且將原理運(yùn)用于模式識別，提出了基于協(xié)同學(xué)的神經(jīng)網(wǎng)絡(luò)，即協(xié)同神經(jīng)網(wǎng)絡(luò)（Synergetic Neural Network，SNN），或稱之為協(xié)同計(jì)算機(jī)[28]，圖1是SNN的基本結(jié)構(gòu)圖。

SNN通過構(gòu)造非線性動力學(xué)系統(tǒng)的動態(tài)過程來實(shí)現(xiàn)模式識別的功能，即模式識別過程對應(yīng)于一個(gè)動力學(xué)過程。具體來說，一個(gè)初始的實(shí)驗(yàn)?zāi)Ｊ絨，經(jīng)過動力學(xué)過程的若干中間狀態(tài)演化后，進(jìn)入到諸原型模式中的其中一個(gè)原型模式（假設(shè)為νk），即這個(gè)原型模式νk與q最為靠近。這個(gè)過程可描述為：

q（0）→q（t）→νk（1）

哈肯指出，完成動力學(xué)過程需要具備兩點(diǎn)：第一，系統(tǒng)的勢函數(shù)可微，具有多個(gè)分別與原型向量相對應(yīng)的穩(wěn)定平衡點(diǎn)，所構(gòu)造的神經(jīng)網(wǎng)絡(luò)穩(wěn)定收斂；第二，具有對應(yīng)于記憶樣本的全局漸進(jìn)穩(wěn)定的唯一平衡點(diǎn)，無偽狀態(tài)。為此，引入了勢函數(shù)：

V=－12∑Mk=1λk（ν+kq）2+14B∑k≠k'（ν+k'q）2（ν+kq）2+14C（q+q）2（2）

該勢函數(shù)對應(yīng)的動力學(xué)方程為：

q·=∑Mk=1λkνk（ν+kq）－B∑k≠k'（ν+k'q）2（ν+kq）νk－C（q+q）q+F（t）（3）

該動力學(xué)方程中第一項(xiàng)定義了在勢能面上各個(gè)原型模式的極小值，每個(gè)極小值的深度由注意參數(shù)λk（當(dāng)λkgt;0時(shí)，模式才能被識別）決定；第二項(xiàng)表示不同模式之間的相互競爭；第三項(xiàng)表示限制因注意參數(shù)λk是正值引起實(shí)驗(yàn)?zāi)Ｊ絨的指數(shù)增長；F（t）是漲落力，可以忽略。此外，νk是原型模式向量，ν+k是νk的正交伴隨向量；M為原型模式個(gè)數(shù)，N為原型模式向量維數(shù)，要求Mlt;N；q和νk滿足零均值和歸一化條件；B和C為恒定系數(shù)。

直接對式（3）進(jìn)行非線性運(yùn)算時(shí)的運(yùn)算量是非常巨大的，為了簡化原系統(tǒng)（原系統(tǒng)的動態(tài)特性保留），引入了序參量ξk。將實(shí)驗(yàn)?zāi)Ｊ絨在原型模式向量上分解為：

q=∑Mk=1ξkνk+ω（4）

式子中的ω為剩余向量，且ν+kω=0。

實(shí)驗(yàn)?zāi)Ｊ降倪\(yùn)動過程本質(zhì)上是序參量ξk的運(yùn)動過程。考慮將高維網(wǎng)絡(luò)進(jìn)行降階的處理，并且利用等式ξk=ν+kq，重寫式（2）和式（3）為基于序參量ξk的勢函數(shù)和動力學(xué)演化方程：

V=－12∑Mk=1λkξ2k+14B∑k≠k'ξ2k'ξ2k+14C（∑Mk'=1ξ2k'）2 （5）

ξk·=λkξk－B∑k≠k'ξ2k'ξk－C（∑Mk'=1ξ2k'）ξk（6）

序參量滿足初始條件ξk（0）=ν+kq（0）。

式（6）是微分方程，其求解仍然較為復(fù)雜。在實(shí)際應(yīng)用中，往往使用離散協(xié)同神經(jīng)網(wǎng)絡(luò)，其動態(tài)迭代公式為：

ξk（n+1）－ξk（n）=γ（λk－D+Bξ2k（n））ξk（n） （7）

其中，D=（B+C）∑Mk'=1ξ2k'（n）；γ為迭代步長，其大小決定了序參量在網(wǎng)絡(luò)迭代過程中的演化情況。

（二）結(jié)構(gòu)組成

圖2展示了基于協(xié)同神經(jīng)網(wǎng)絡(luò)的學(xué)者情感分析模型結(jié)構(gòu)。

選取學(xué)者信息和動態(tài)信息作為數(shù)據(jù)源，對兩方面的信息進(jìn)行屬性選擇與預(yù)處理，得到模型輸入的特征數(shù)據(jù)集。具體而言，在學(xué)者信息方面，首先選擇學(xué)者的個(gè)人簡介（主要包括研究興趣和教育背景等）、學(xué)術(shù)成果（包括發(fā)表的部分論文和著作）、工作經(jīng)歷或者獲獎榮譽(yù)等作為屬性，然后將選擇屬性對應(yīng)的內(nèi)容進(jìn)行預(yù)處理，最后形成學(xué)者信息的特征向量scholarVector。同理，在動態(tài)信息方面，首先選擇該動態(tài)信息的類型、摘要、部分關(guān)鍵文字內(nèi)容或者代表性圖片等作為屬性，然后將選擇屬性對應(yīng)的內(nèi)容進(jìn)行預(yù)處理，最后形成動態(tài)信息的特征向量dynamicInformationVector。當(dāng)某個(gè)學(xué)者瀏覽了某條動態(tài)信息，該學(xué)者與該條動態(tài)信息之間會產(chǎn)生一個(gè)情感事件（該事件可以反映學(xué)者對動態(tài)信息的情感傾向）。將情感事件中的學(xué)者信息特征向量scholarVector和動態(tài)信息特征向量dynamicInformationVector進(jìn)行級聯(lián)，可以得到情感事件的特征向量sentimentEventVector。學(xué)者信息、動態(tài)信息以及情感事件三者之間的關(guān)系可以用圖3來表示，圖中的每一條邊可以代表一個(gè)情感事件，邊上的數(shù)值可以代表級聯(lián)后的特征向量sentimentEventVector。

本研究選取學(xué)者網(wǎng)平臺中產(chǎn)生的部分情感事件作為特征數(shù)據(jù)集，并且將特征數(shù)據(jù)集劃分為訓(xùn)練集和測試集。在訓(xùn)練集中選取原型模式，并且通過學(xué)習(xí)訓(xùn)練，求得伴隨向量。測試集中的數(shù)據(jù)為實(shí)驗(yàn)?zāi)Ｊ较蛄浚跍y試時(shí)與求得的伴隨向量相乘，可以得到初始的序參量。初始序參量進(jìn)行演化，直至達(dá)到穩(wěn)定狀態(tài)。當(dāng)序參量達(dá)到穩(wěn)定狀態(tài)后，輸出識別結(jié)果。

三、模型過程描述

模型的過程分為兩個(gè)階段，分別是訓(xùn)練階段和識別階段。訓(xùn)練階段主要是要完成網(wǎng)絡(luò)學(xué)習(xí)，求取初始化序參量。識別階段主要是將各個(gè)初始序參量引入競爭方程，進(jìn)行動力學(xué)演化，使得與實(shí)驗(yàn)?zāi)Ｊ较嗨贫茸畲蟮男騾⒘揩@勝，最后輸出識別結(jié)果。

（一）訓(xùn)練階段

①選取原型模式。將訓(xùn)練樣本對應(yīng)的特征向量進(jìn)行處理，使其滿足歸一化和零均值條件。依據(jù)動態(tài)信息的不同類別，經(jīng)過相關(guān)變換計(jì)算，可以獲得滿足歸一化和零均值條件的原型模式向量。

②求解伴隨向量。利用偽逆矩陣進(jìn)行求解，并且存儲其數(shù)據(jù)。在SNN中求取伴隨向量的過程被稱為SNN的學(xué)習(xí)過程或者訓(xùn)練過程，原型向量和伴隨向量需滿足正交條件。

（二）識別階段

訓(xùn)練完畢之后，按照SNN的結(jié)構(gòu)（如圖1），將伴隨向量作為輸入層到中間層之間的權(quán)重，將原型向量作為中間層到輸出層之間的權(quán)重；中間層神經(jīng)元的個(gè)數(shù)設(shè)置為原型模式個(gè)數(shù)（M）。

識別階段主要有以下步驟：

①將測試樣本對應(yīng)的試驗(yàn)?zāi)Ｊ较蛄窟M(jìn)行處理，使其滿足歸一化和零均值條件，并且將其作為網(wǎng)絡(luò)輸入層。輸入層的數(shù)據(jù)與網(wǎng)絡(luò)參數(shù)（即伴隨向量）相乘，得到初始的序參量。在初始時(shí)刻，具有最大值的序參量對其他序參量的抑制力最強(qiáng)，其生長能力也最強(qiáng)，在競爭層競爭能力也最強(qiáng)。

②序參量根據(jù)式（7）進(jìn)行演化。SNN以內(nèi)部互相協(xié)作與競爭的形式生成最終模式。

③判斷演化是否穩(wěn)定，若演化穩(wěn)定，則輸出識別分類結(jié)果，即最終序參量模值為1的類別為測試樣本所屬的情感類別；若演化未穩(wěn)定，則轉(zhuǎn)上一步繼續(xù)演化，重復(fù)此過程直到出現(xiàn)演化穩(wěn)定狀態(tài)。

四、實(shí)驗(yàn)與分析

（一）數(shù)據(jù)集介紹

實(shí)驗(yàn)選取了部分具有代表性的學(xué)者情感事件作為實(shí)驗(yàn)的數(shù)據(jù)集。數(shù)據(jù)集中有一半事件是帶有正面情感，另一半事件是帶有非正面情感，即共有兩種不同的學(xué)者情感類型。其中正面情感事件是指學(xué)者對動態(tài)信息有點(diǎn)贊、轉(zhuǎn)載或收藏等行為之一；非正面情感事件是指學(xué)者對動態(tài)信息沒有點(diǎn)贊、轉(zhuǎn)載和收藏等行為。

（二）參數(shù)設(shè)置

利用Doc2vec對學(xué)者信息和動態(tài)信息進(jìn)行預(yù)處理，分別得到100維度的學(xué)者信息特征向量scholarVector和100維度的學(xué)術(shù)動態(tài)特征向量dynamicInformationVector。將scholarVector和dynamicInformationVector進(jìn)行級聯(lián)，得到200維度的情感事件特征向量sentimentEventVector。設(shè)置SNN中的注意參數(shù)λk=1，γ=1/D，B和C均為1，迭代次數(shù)為40次。按照不同的學(xué)者情感類型，將訓(xùn)練集中樣本的特征向量sentimentEventVector進(jìn)行數(shù)學(xué)平均化，得到原型向量。原型模式個(gè)數(shù)M為2。實(shí)驗(yàn)以分類準(zhǔn)確率作為評估指標(biāo)來衡量模型的性能效果。實(shí)驗(yàn)將數(shù)據(jù)集隨機(jī)打散，按照一定比例劃分出訓(xùn)練集，剩余部分作為測試集。具體是，實(shí)驗(yàn)將訓(xùn)練集所占比例分別設(shè)置為20%、30%、40%、50%、60%、70%和80%。在訓(xùn)練集占比例為以上各種不同取值的情況下，實(shí)驗(yàn)都隨機(jī)運(yùn)行10次，并且取運(yùn)行結(jié)果的平均值作為性能評估的數(shù)據(jù)。

（三）結(jié)果與分析

表1匯總了模型在訓(xùn)練集占不同比例情況下的分類準(zhǔn)確率，當(dāng)訓(xùn)練集占比為80%時(shí)，模型可以得到準(zhǔn)確率為98%的分類性能。

從表中可以看到，隨著訓(xùn)練集占比增大，分類準(zhǔn)確率也相應(yīng)得到了提高。原因是隨著訓(xùn)練集占比增大，通過平均化后，獲得的原型向量更加具有代表性，使得識別階段獲得的效果更佳。因此，這種情況驗(yàn)證了基于SNN的模型性能與原型模式向量的選取有著重要的關(guān)系。

圖4描述了當(dāng)訓(xùn)練集占比為80%時(shí)，模型對某測試樣本的識別過程。從圖中可以看到，測試樣本向量初始序參量中ξ（1）模值大于ξ（2）模值，在迭代演化過程中，ξ（1）一直保持優(yōu)勢，并且最終ξ（1）趨向于1，ξ（2）趨向于0，從而使得測試樣本被識別為第一種學(xué)者情感類別。模型對學(xué)者情感的最終識別結(jié)果為具有最大模值的序參量對應(yīng)的情感類別。

結(jié)語

本文基于學(xué)者網(wǎng)平臺的學(xué)者情感數(shù)據(jù)，運(yùn)用SNN原理與基本結(jié)構(gòu)，構(gòu)建了學(xué)者情感分析模型，詳細(xì)介紹了所提出模型的結(jié)構(gòu)組成以及原理，闡述了模型兩個(gè)階段的步驟過程，并且開展了相關(guān)實(shí)驗(yàn)，旨在挖掘和預(yù)測學(xué)者對學(xué)術(shù)動態(tài)信息的情感。當(dāng)實(shí)驗(yàn)訓(xùn)練集占比為80%時(shí)，本文模型可以得到準(zhǔn)確率為98%的分類性能。下一步將細(xì)化學(xué)者情感類別，擴(kuò)大學(xué)者情感事件的數(shù)據(jù)集，研究更好的原型選取方法。

參考文獻(xiàn)：

[1]嚴(yán)玲艷，楊思洛.學(xué)術(shù)社交網(wǎng)站用戶使用偏好比較分析——基于學(xué)術(shù)身份與學(xué)科視角[J].圖書館雜志，2022，41（08）：62-68.

[2]嚴(yán)煒煒，溫馨，鄭梓陽.學(xué)術(shù)社交網(wǎng)絡(luò)科研用戶類型劃分及其行為差異研究[J].情報(bào)雜志，2022，41（04）：152-159.

[3]劉偉，劉柏嵩，王洋洋.海量學(xué)術(shù)資源個(gè)性化推薦綜述[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（03）：30-39.

[4]吳秉坤.基于多層次注意力網(wǎng)絡(luò)的多模態(tài)情感識別研究[J].中國信息化，2023（09）：106-107.

[5]陳真，普園媛，趙征鵬，等.基于自適應(yīng)門控信息融合的多模態(tài)情感分析[J].計(jì)算機(jī)科學(xué)，2023，50（03）：298-306.

[6]方悅，張琨，張?jiān)萍?，?基于特征融合深度學(xué)習(xí)網(wǎng)絡(luò)的情感分析模型[J].計(jì)算機(jī)與數(shù)字工程，2022，50（06）：1239-1245.

[7]王宇欣，方浩宇，張偉，等.注意力機(jī)制在情感分析中的應(yīng)用研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2022，32（04）：193-199.

[8]楊青，張亞文，朱麗，等.基于注意力機(jī)制和BiGRU融合的文本情感分析[J].計(jì)算機(jī)科學(xué)，2021，48（11）：307-311.

[9]楊書新，張楠.融合情感詞典與上下文語言模型的文本情感分析[J].計(jì)算機(jī)應(yīng)用，2021，41（10）：2829-2834.

[10]Huang F，Zhang X，Zhao Z，et al.Image-text sentiment analysis via deep multimodal attentive fusion [J].Knowledge-Based Systems，2019，167：26-37.

[11]Zhang D，Wu L，Sun C，et al.Modeling both Context-and Speaker-Sensitive Dependence for Emotion Detection in Multi-speaker Conversations.[C].In Proc of the 28th International Joint Conference on Artificial Intelligence，2019：5415-5421.

[12]Xu N，Mao W，Chen G.Multi-interactive memory network for aspect based mul-timodal sentiment analysis [C].In Proceedings of the AAAI Conference on Artificial Intelligence，2019：371-378.

[13]Xi C，Lu G，Yan J.Multimodal sentiment analysis based on multi-head attention mechanism [C].In Proceedings of the 4th International Conference on Machine Learning and Soft Computing，2020：34-39.

[14]Jiang T，Wang J，Liu Z，et al.Fu-sion-Extraction Network for Multimodal Sentiment Analysis [C].In Pacific-Asia Conference on Knowledge Discovery and Data Mining，2020：785-797.

[15]Poria S，Cambria E，Hazarika D，et al.Multi-level multiple attentions for contextual multimodal sentiment analysis [C].In 2017 IEEE International Conference on Data Mining （ICDM），2017：1033-1038.

[16]Majumder N，Poria S，Hazarika D，et al.Dialoguernn：An attentive rnn for emotion detection in conversations [C].In Proceedings of the AAAI Conference on Artificial Intelligence，2019：6818-6825.

[17]Hazarika D，Zimmermann R，Poria S.MISA：Modality-Invariant and-Specific Representations for Multimodal Sentiment Analysis [C].In Proceedings of the 28th ACM International Conference on Mul-timedia，2020：1122-1131.

[18]郭巍，張千宇，王光輝.基于協(xié)同神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈攻擊目標(biāo)識別方法研究[J].電子設(shè)計(jì)工程，2013，21（17）：46-49.

[19]張愛華.一種基于動態(tài)協(xié)同神經(jīng)網(wǎng)絡(luò)的文本作者身份分類研究[J].計(jì)算機(jī)科學(xué)，2015，42（S1）：143-145.

[20]緱水平，焦李成，田小林.基于免疫克隆聚類協(xié)同神經(jīng)網(wǎng)絡(luò)的圖像識別[J].電子與信息學(xué)報(bào)，2008（02）：263-266.

[21]孫靜.基于協(xié)同神經(jīng)網(wǎng)絡(luò)算法的紅樹林物種識別[J].延邊大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（01）：64-69.

[22]湯志康，李春英.基于學(xué)者網(wǎng)平臺的計(jì)算機(jī)公共基礎(chǔ)課混合教學(xué)模式研究 [J].計(jì)算機(jī)教育，2017 （07）：96-100.

[23]李宇耀，湯庸，黃泳航，等.基于學(xué)者社交模式的網(wǎng)絡(luò)教學(xué)平臺研究 [J].計(jì)算機(jī)教育，2015 （24）：112-115.

[24]王柳，湯庸，楊佐希，等.基于學(xué)者社交網(wǎng)絡(luò)的論文與項(xiàng)目關(guān)聯(lián)模型 [J].計(jì)算機(jī)應(yīng)用研究，2020，37 （05）：1428-1431.

[25]李春英，湯庸，肖政宏，等.學(xué)術(shù)社交網(wǎng)絡(luò)中的權(quán)威學(xué)者推薦模型 [J].計(jì)算機(jī)應(yīng)用，2020，40 （09）：2594-2599.

[26]賀超波，湯庸，劉海，等.一種集成鏈接和屬性信息的社區(qū)挖掘方法 [J].計(jì)算機(jī)學(xué)報(bào)，2017，40 （03）：601-616.

[27]Haken H.Synergetics-An Introduction [M].Springer-Verlag，1977.

[28]Haken H.Synergetic computers and cognition：A top-down approach to neural nets [M].Springer-Verlag，1991.

[基金項(xiàng)目：廣東省普通高校特色創(chuàng)新類項(xiàng)目（2022KTSCX287，2020KTSCX273，2023KTSCX250）;廣東省普通高校青年創(chuàng)新人才類項(xiàng)目（2022KQNCX176）; 廣東省教育科學(xué)規(guī)劃課題（高等教育專項(xiàng)）（2023GXJK709）。王麗麗為本文通訊作者。]

責(zé)任編輯魏家堅(jiān)