知識(shí)網(wǎng)絡(luò)情緒互信息熵檢測(cè)*

涂 坤， 孫 彬， 王 東

(1. 新疆財(cái)經(jīng)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 烏魯木齊 830012； 2. 新疆教育學(xué)院 新疆教育云重點(diǎn)實(shí)驗(yàn)室， 烏魯木齊 830033)

情感交流滲透于網(wǎng)絡(luò)認(rèn)知活動(dòng)中，影響著認(rèn)知者的心智狀態(tài)和行為趨向，基于情感互信息的情緒熵檢測(cè)算法顯示出非常重要的效用價(jià)值.

知識(shí)網(wǎng)絡(luò)與情緒疏導(dǎo)的關(guān)聯(lián)性研究及與本文緊密相關(guān)的典型成果梳理如下：

1) 關(guān)于認(rèn)知活動(dòng)中情緒觸動(dòng)效用的研究廣泛，但知識(shí)資源層次結(jié)構(gòu)與情緒關(guān)聯(lián)的研究不足.利用Relieff算法進(jìn)行特征選擇[1]，篩選出最主要的特征指標(biāo)，并由此找出有效助學(xué)的情緒特征，幾乎不涉及知識(shí)網(wǎng)絡(luò)資源結(jié)構(gòu)；PCA算法[2]使用實(shí)時(shí)情緒觸動(dòng)結(jié)果進(jìn)行情感效能定位，提升情緒聯(lián)動(dòng)效果，不涉及資源網(wǎng)絡(luò)結(jié)構(gòu)問題；文獻(xiàn)[3]將網(wǎng)民個(gè)體視為一個(gè)智能體建立情緒傳播模型，較好地實(shí)現(xiàn)認(rèn)知者的情感瓶頸問題，但關(guān)于知識(shí)資源結(jié)構(gòu)本身的特征涉及的很少；基于多種社交憑證的社交認(rèn)證模型[4]應(yīng)用記錄采集算法、社交憑證生成算法和社交認(rèn)證算法等，實(shí)現(xiàn)了情緒促動(dòng)的多層次因子，但所涉及知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)問題很薄弱；文獻(xiàn)[5]基于深度學(xué)習(xí)目標(biāo)模型進(jìn)行了細(xì)粒度的情感分析，達(dá)到對(duì)人類情感表達(dá)的深度理解，卻完全不涉及知識(shí)網(wǎng)絡(luò)的資源結(jié)構(gòu)特征；采用卷積神經(jīng)網(wǎng)絡(luò)[6]可發(fā)現(xiàn)任務(wù)中的情感特征，但知識(shí)網(wǎng)絡(luò)資源結(jié)構(gòu)特征考慮的不夠充分.雖然應(yīng)用計(jì)算機(jī)進(jìn)行情緒測(cè)算的成果豐富，但情感過程與網(wǎng)絡(luò)知識(shí)結(jié)構(gòu)相融合的研究較少，知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)與情感促學(xué)的適用度研究有待改進(jìn).

2) 情感信息熵的情感演化測(cè)算體現(xiàn)出高聚集特征，情感檢測(cè)適用度不足現(xiàn)象始終存在.信息墑改進(jìn)TOPSIS算法[7]能彌補(bǔ)指標(biāo)體系受主觀偏好影響過大的缺陷，較好地體現(xiàn)情感評(píng)價(jià)的客觀性、公正性和時(shí)效性，但是情感檢測(cè)適用性不足；依托情感測(cè)算的信息熵算法模式[8]注重認(rèn)知者的內(nèi)在情感體驗(yàn)與人格的全面考察，更能貼近認(rèn)知過程的“自我實(shí)現(xiàn)”，但沒有結(jié)合知識(shí)網(wǎng)絡(luò)的資源結(jié)構(gòu)，使得應(yīng)用難以推廣；基于LDA微博用戶關(guān)系的主題情感模型SRTSM[9]在資源結(jié)構(gòu)基礎(chǔ)上，加入情緒熵關(guān)系參數(shù)和情感極性，涉及知識(shí)層次結(jié)構(gòu)，但深度有限；智能情感信息熵導(dǎo)引模型[10]可大幅度提高認(rèn)知過程與情感傾向的關(guān)聯(lián)作用，但關(guān)聯(lián)深度不足；基于概率圖模型的情感分析方法[11-12]能夠有效運(yùn)用“評(píng)價(jià)對(duì)象”和“評(píng)價(jià)詞”二元特性的情感判定，但是適用范圍有限.關(guān)于情緒在智慧活動(dòng)中的效能檢測(cè)，由于沒有結(jié)合知識(shí)層次結(jié)構(gòu)特征，適用度有限.用信息熵測(cè)量方法提高適用度是值得關(guān)注的研究方向.

3) 情熵理念被廣泛應(yīng)用于情緒檢測(cè)工程中，往往成為其它分類算法的關(guān)鍵支撐，而在知識(shí)網(wǎng)絡(luò)的情感切合方面需要進(jìn)一步加深探究.文獻(xiàn)[13]將信息熵定律應(yīng)用到穩(wěn)定系統(tǒng)的測(cè)算過程中，層次結(jié)構(gòu)知識(shí)熵被應(yīng)用到多個(gè)方面的聚類；文獻(xiàn)[14-15]提出了情感強(qiáng)度和知識(shí)結(jié)構(gòu)之間的關(guān)系熵測(cè)評(píng)理念，在情感數(shù)據(jù)分類挖掘的特定背景下，計(jì)算不同資源標(biāo)識(shí)符屬性，建立智能分類樹，對(duì)本研究有重要的理性支持和啟示.

總結(jié)上述觀點(diǎn)可知，情感信息熵及知識(shí)資源層次結(jié)構(gòu)的結(jié)合問題成為了認(rèn)知效能研究的突破點(diǎn)，網(wǎng)絡(luò)認(rèn)知活動(dòng)中情感信息熵理念和情感測(cè)算模型應(yīng)該被賦予更高的關(guān)注度.從認(rèn)知技術(shù)的角度來看，情緒測(cè)算是一項(xiàng)復(fù)雜的系統(tǒng)工程，涉及到知識(shí)資源自身的結(jié)構(gòu)層次復(fù)雜性、情感疏導(dǎo)的廣泛性及適用性.

1 情熵與效能測(cè)算法

知識(shí)認(rèn)知過程是建立在一定情感積累基礎(chǔ)上的，為使知識(shí)認(rèn)知過程更加科學(xué)有效，貼合實(shí)際，情商診斷過程與認(rèn)知效能測(cè)評(píng)環(huán)節(jié)尤為重要.需要實(shí)現(xiàn)知識(shí)結(jié)構(gòu)合理布局與情感疏導(dǎo)的關(guān)聯(lián)性測(cè)量，使當(dāng)代認(rèn)知引導(dǎo)觀念獲得有益的啟示.

1.1 認(rèn)知效能模型

在知識(shí)網(wǎng)絡(luò)中，認(rèn)知過程是個(gè)由淺入深的漸進(jìn)過程，認(rèn)知者圍繞知識(shí)網(wǎng)絡(luò)，實(shí)現(xiàn)認(rèn)知層次進(jìn)階過程.知識(shí)節(jié)點(diǎn)之間能構(gòu)成一個(gè)有向圖拓?fù)浣Y(jié)構(gòu)，其中每一條有向邊均代表著一條知識(shí)探索途徑，捆綁著若干認(rèn)知參與者的學(xué)習(xí)屬性特征.假設(shè)分布式網(wǎng)絡(luò)由眾多的認(rèn)知結(jié)構(gòu)模型知識(shí)節(jié)點(diǎn)和知識(shí)連接線(認(rèn)知邊)構(gòu)成，并定義知識(shí)節(jié)點(diǎn)為m，構(gòu)成的知識(shí)認(rèn)知網(wǎng)絡(luò)為G(V，L)，且屬于一個(gè)有向圖，知識(shí)節(jié)點(diǎn)構(gòu)成的節(jié)點(diǎn)數(shù)據(jù)集為V={v1，v2，…，vm}，認(rèn)知途徑集為L(zhǎng)={(vi，vj)vi，vj∈V}.在認(rèn)知網(wǎng)絡(luò)G中，任何一個(gè)節(jié)點(diǎn)都可以用直接相鄰知識(shí)點(diǎn)拓?fù)浞治?，獲得節(jié)點(diǎn)的前導(dǎo)集合F(vi)和后續(xù)集合B(vi).考慮到學(xué)習(xí)途徑進(jìn)階的需要，節(jié)點(diǎn)vi被疏通的概率分布為

(1)

認(rèn)知者在認(rèn)知網(wǎng)絡(luò)節(jié)點(diǎn)間移動(dòng)，進(jìn)行認(rèn)知活動(dòng)，受情緒、環(huán)境和特殊偏好的影響，表現(xiàn)為各自不同的學(xué)習(xí)效能.將這些異質(zhì)的情緒屬性設(shè)計(jì)為情商基因，表示為D={ξ1，ξ2，…，ξk}，對(duì)應(yīng)于“興趣所致”、“生計(jì)壓力”、“群體壓力”、“感悟”、“欣賞”和“自我實(shí)現(xiàn)”等情感因子，每種基因假定有5個(gè)級(jí)別強(qiáng)度：{0-無，1-弱，2-中，3-強(qiáng)，4-極強(qiáng)}.對(duì)于認(rèn)知網(wǎng)絡(luò)G的任意節(jié)點(diǎn)vi，假設(shè)有m個(gè)認(rèn)知節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)采集k種基因，可形成情緒強(qiáng)度數(shù)據(jù)矩陣，第i個(gè)認(rèn)知節(jié)點(diǎn)的第k個(gè)基因ξk的強(qiáng)度記為xik，表示矩陣為

(2)

對(duì)于情緒基因ξk而言，基于節(jié)點(diǎn)vi的情緒偏離度為

(3)

學(xué)習(xí)往往是一個(gè)反復(fù)攻關(guān)的過程，所以必須考慮學(xué)習(xí)行為的重復(fù)性，由此在知識(shí)邊上，將發(fā)生的ξk情緒行為的總強(qiáng)度記為

(4)

則認(rèn)知者在情感ξk作用下，vi知識(shí)節(jié)點(diǎn)被疏通的概率分布為

(5)

式中：csk(i)為探求其它知識(shí)節(jié)點(diǎn)的總情緒強(qiáng)度；ctk(i)為訪問vi節(jié)點(diǎn)進(jìn)行求知活動(dòng)的總情緒強(qiáng)度.

1.2 情緒與認(rèn)知效能的互信息

在沒有情緒干擾的情況下，隨機(jī)訪問程度趨向于最大程度的無序時(shí)，信息熵H(v)趨于最大.對(duì)于預(yù)定的認(rèn)知網(wǎng)絡(luò)G，知識(shí)節(jié)點(diǎn)(知識(shí)邊)的訪問效能信息熵為

(6)

在知識(shí)點(diǎn)(vi)及知識(shí)路徑(vi→vj)預(yù)先布局的情況下，將情緒量(ξk)變化所產(chǎn)生的熵定義為條件熵，表示為

(7)

隨機(jī)變量組(v，ξ)的聯(lián)合分布與獨(dú)立分布乘積的相對(duì)熵被定義為互信息.互信息結(jié)構(gòu)如圖1所示，互信息被看作是一個(gè)隨機(jī)變量與另一個(gè)隨機(jī)變量的關(guān)聯(lián)性，其不確定性的變異程度可表示為

(8)

圖1 互信息結(jié)構(gòu)Fig.1 Mutual information structure

1.2.1 情緒重要度

按照情緒應(yīng)當(dāng)適用于認(rèn)知過程的原則，合理搭配知識(shí)節(jié)點(diǎn)和知識(shí)邊資源，就能把結(jié)構(gòu)層次調(diào)整為最優(yōu)適用性，以獲得高效率的認(rèn)知效果.衡量知識(shí)節(jié)點(diǎn)的重要性即是情感認(rèn)知引導(dǎo)的首要問題.定義節(jié)點(diǎn)vi的情商重要度為

τ(vi)=IG-{vi}(v，ξ)-IG(v，ξ)

(9)

定義節(jié)點(diǎn)子集s(s={v1，v2，…，vk}，s?V)的重要度為

τ(s)=IG(v，ξ)-IG-s(v，ξ)

(10)

重要度τ(vi)和τ(s)在增補(bǔ)優(yōu)良知識(shí)節(jié)點(diǎn)、遴選核心骨干知識(shí)點(diǎn)及進(jìn)行知識(shí)節(jié)點(diǎn)的擇優(yōu)挑選等方面具有較高的應(yīng)用價(jià)值.

1.2.2 情商適用度

知識(shí)邊情緒如何參與到認(rèn)知活動(dòng)中將直接影響到情緒的總強(qiáng)度，進(jìn)而改變互信息熵.參與角色的情感描述與知識(shí)點(diǎn)層次結(jié)構(gòu)的靈活組合構(gòu)成了認(rèn)知策略的多樣性.

在知識(shí)網(wǎng)絡(luò)G中，新認(rèn)知活動(dòng)T參與后，形成認(rèn)知資源G+T，借鑒Jaccard相似原理，定義適用度函數(shù)為

(11)

J(T)是新資源T對(duì)認(rèn)知網(wǎng)絡(luò)G的適用度評(píng)價(jià)成績(jī)，J(T)成績(jī)?cè)礁?，則G與T相關(guān)性程度越高，資源子網(wǎng)T具有較高的優(yōu)選作用.

1.2.3 認(rèn)知資源聚類算法

1) 將包含部分知識(shí)邊(參與的情緒項(xiàng)元素)和部分知識(shí)資源的節(jié)點(diǎn)子集按照其重要性τ(fi)或適用度J(fi)降序排列成子集序列f={f1，f2，…，fk}，對(duì)應(yīng)的適用度列表為{J(f1)，J(f2)，…，J(fk)}.

2) 資源項(xiàng)消重處理.每重資源項(xiàng)只保留首次出現(xiàn)的子集形式.

3) 構(gòu)建差值數(shù)列{h1，h2，…，hn}，其中，hi=J(fi).

5) 將子序列資源列表按照鄰近且Δγi≤λ決定同類的規(guī)則(即Δγi≤λ，那么fi和fi+1屬于同類；否則fi和fi+1分屬于不同類別)進(jìn)行分類.

6) 對(duì)每個(gè)子類再進(jìn)行下一級(jí)遞歸分類，實(shí)施更多維度的分類，直到組內(nèi)成員間的適用度差值均低于預(yù)定閥值.

1.2.4 情熵距離

本工作采用不同氮含量保護(hù)氣氛下熔煉坯料、1 000°C固溶保溫1 h并快速淬火的方式研究了N含量對(duì)Fe-21Cr-3Ni-1Mo-N雙相不銹鋼凝固組織的影響,并得出以下結(jié)論.

在認(rèn)知知識(shí)資源網(wǎng)絡(luò)G上，所有子資源網(wǎng)絡(luò)集合為d={d1，d2，…，dn}.針對(duì)一個(gè)認(rèn)知項(xiàng)目rx，將d中所有包含rx項(xiàng)目的資源子集合定義為π(rx).對(duì)于G的任意兩個(gè)資源子集π(rx)、π(ry)情感距離定義為

(12)

以認(rèn)知項(xiàng)目rx為中心，設(shè)定一類閾值τ0，面對(duì)G中的任意其它項(xiàng)目均可測(cè)算情熵距離.將情熵距離小于τ0的認(rèn)知項(xiàng)目稱為rx的情感緊密項(xiàng)目.

通過情熵距離和子集資源可以發(fā)現(xiàn)最優(yōu)認(rèn)知路徑，從而豐富情感疏導(dǎo)在認(rèn)知活動(dòng)中的適用性，為認(rèn)知者提供適用的、具體且行之有效的知識(shí)資源咨詢與關(guān)愛服務(wù).

2 實(shí)踐結(jié)果與分析

為驗(yàn)證情緒熵與認(rèn)知效能之間的關(guān)聯(lián)性，本文采集真實(shí)數(shù)據(jù)，并對(duì)真實(shí)認(rèn)知數(shù)據(jù)進(jìn)行了聚類，抽取典型認(rèn)知案例，布局成認(rèn)知知識(shí)網(wǎng)絡(luò)，對(duì)假設(shè)觀點(diǎn)進(jìn)行實(shí)踐測(cè)試.數(shù)據(jù)集記錄了認(rèn)知網(wǎng)絡(luò)中的認(rèn)知數(shù)據(jù)與情緒數(shù)據(jù)情況，共包含34個(gè)結(jié)構(gòu)各異的數(shù)據(jù)表，有12 Gbit記錄.實(shí)驗(yàn)中分離出7個(gè)認(rèn)知單元的有效數(shù)據(jù)集：銷售知識(shí)技巧(z1)、物流快送知識(shí)(z2)、電商促銷知識(shí)(z3)、頁面制作知識(shí)(z4)、廣告知識(shí)(z5)、包裝工藝知識(shí)(z6)和業(yè)務(wù)推廣知識(shí)(z7)，各數(shù)據(jù)集鄰接概況如表1所示.

表1 數(shù)據(jù)集鄰接概況Tab.1 Adjacency profiles of data sets

2.1 情緒熵聚類作用

結(jié)合認(rèn)知網(wǎng)絡(luò)知識(shí)點(diǎn)的布局，計(jì)算情緒信息熵重要度指標(biāo)，并進(jìn)行節(jié)點(diǎn)學(xué)習(xí)效能特征和情緒基因特征的關(guān)聯(lián)性測(cè)量，測(cè)量結(jié)果如圖2所示.通過情緒信息熵的聚類實(shí)踐可以發(fā)現(xiàn)：

1) 情緒聚類數(shù)量值可以代表情緒屬性邊的數(shù)值量.用情緒聚類數(shù)量值進(jìn)行實(shí)際的情緒變化測(cè)算可以直接降低相關(guān)情緒數(shù)據(jù)集的規(guī)模，達(dá)到數(shù)據(jù)集快速約簡(jiǎn)和檢索的目的.

2) 通過認(rèn)知網(wǎng)絡(luò)層次結(jié)構(gòu)的設(shè)計(jì)，可以設(shè)置情緒調(diào)整因素的強(qiáng)度，實(shí)施有利分類策略，將積極適用的情感因素捆綁在知識(shí)邊屬性特征中，從而能限制情緒熵的類別數(shù)量，形成適用的網(wǎng)絡(luò)認(rèn)知調(diào)節(jié)機(jī)制.

3) 核心知識(shí)節(jié)點(diǎn)數(shù)與有效情緒邊數(shù)量的調(diào)整有利于特異情感問題的發(fā)現(xiàn).控制知識(shí)學(xué)習(xí)中的特異型情緒，就是控制情緒子類奇異的過程，有助力于情熵碎片排除工作，能夠及時(shí)發(fā)現(xiàn)驕傲、孤僻和偏激等情緒傾向，將成為心理健康導(dǎo)引的強(qiáng)力工具.

圖2 數(shù)據(jù)集聚類對(duì)比Fig.2 Comparison in cluster of data sets

2.2 知識(shí)點(diǎn)增加效用

對(duì)網(wǎng)絡(luò)知識(shí)活動(dòng)的情緒熵?cái)?shù)據(jù)重要度分析過程中，將情緒調(diào)節(jié)項(xiàng)目保持不變，隨著資源(知識(shí)點(diǎn))的增加，其情緒適用度變化趨向明顯，結(jié)果具有一定的借鑒作用.以z1、z2、z3和z4四類數(shù)據(jù)集為例，情緒項(xiàng)數(shù)據(jù)(邊屬性)保持不變，而知識(shí)節(jié)點(diǎn)由50項(xiàng)逐步擴(kuò)大到600項(xiàng)，適應(yīng)度變化過程如圖3所示.不同知識(shí)數(shù)據(jù)集的情緒適用度各異，其中z4數(shù)據(jù)集伴隨著適用度線性增加，且一直保持最高；z2和z3數(shù)據(jù)集也基本保持增函數(shù)特征；而z1數(shù)據(jù)集發(fā)生明顯的互信息熵適應(yīng)度遞減的想象.

圖3 情緒適應(yīng)度變化曲線Fig.3 Change curve of emotional fitness

由圖3分析可知：

1) 同樣的情緒調(diào)控措施不能應(yīng)用于所有的知識(shí)學(xué)習(xí)布局結(jié)構(gòu)中.在一種知識(shí)布局結(jié)構(gòu)中，表現(xiàn)良好的情緒調(diào)控項(xiàng)目在另一種知識(shí)數(shù)據(jù)布局結(jié)構(gòu)中就可能完全不適用.

2) 在知識(shí)點(diǎn)規(guī)模不同的認(rèn)知網(wǎng)絡(luò)中，同樣的情緒調(diào)控措施可能出現(xiàn)不同的控制效果.

2.3 激勵(lì)效用

網(wǎng)絡(luò)認(rèn)知的知識(shí)節(jié)點(diǎn)保持不變，將各種情緒調(diào)整因素進(jìn)行等量激勵(lì)加強(qiáng)(如“關(guān)注”、“突出顯示”、“獎(jiǎng)勵(lì)”、“表揚(yáng)”和“定級(jí)”等情緒激勵(lì)活動(dòng))，動(dòng)態(tài)測(cè)算情緒信息熵的變化特征.以z1、z2、z3和z4數(shù)據(jù)集為例，圍繞固定不變的知識(shí)點(diǎn)布局結(jié)構(gòu)，設(shè)計(jì)情緒調(diào)節(jié)項(xiàng)目等量遞增，僅使用積極性激勵(lì)調(diào)整手段，情緒激勵(lì)項(xiàng)目由0項(xiàng)增加到50項(xiàng)，再逐步降低到0項(xiàng).情緒互信息熵在情緒調(diào)整項(xiàng)目加入后，情感適用度變化趨勢(shì)如圖4所示.

圖4 情緒適應(yīng)度趨勢(shì)Fig.4 Emotional fitness trend

由圖4變化曲線可以發(fā)現(xiàn)：

1) 初期的表揚(yáng)激勵(lì)(10～20項(xiàng))對(duì)情緒信息熵適用度的作用較大，隨著激勵(lì)表揚(yáng)項(xiàng)目的逐步增多，情緒適用度的增加效應(yīng)基本喪失.

2) 不同數(shù)據(jù)集對(duì)激勵(lì)表揚(yáng)措施的情緒適用度總趨勢(shì)是一樣的，表揚(yáng)激勵(lì)項(xiàng)目超過30項(xiàng)之后，激勵(lì)的作用就大大降低.

2.4 情熵距離效用

情熵距離用于表示情緒事件前后的差異程度.以關(guān)注、肯定、獎(jiǎng)勵(lì)和懲罰項(xiàng)目的平均基因強(qiáng)度為參照，觀察情熵距離的變化情況如圖5所示.

圖5 情熵距離變化曲線Fig.5 Change curve of emotional entropy distance

獎(jiǎng)勵(lì)項(xiàng)目的情緒變動(dòng)能使情緒熵產(chǎn)生較大值，但存在最佳刺激強(qiáng)度區(qū)間，該項(xiàng)激勵(lì)容易發(fā)生過度無效；懲罰項(xiàng)目帶來的情緒變動(dòng)最直接，但是有效強(qiáng)度界于0.3～1.8之間；關(guān)注項(xiàng)目給認(rèn)知參與者帶來的情緒變化比較緩慢，但持續(xù)有效刺激區(qū)間較寬；肯定項(xiàng)目給認(rèn)知參與者帶來的情緒變化最為緩慢，持續(xù)有效刺激區(qū)間最寬.

3 結(jié) 論

在知識(shí)資源網(wǎng)絡(luò)中，知識(shí)布局結(jié)構(gòu)與情緒過程有顯著關(guān)聯(lián).情緒互信息熵能有效地詮釋網(wǎng)絡(luò)環(huán)境下情緒資源的優(yōu)擇問題，通過對(duì)情緒效益指標(biāo)的測(cè)量，把網(wǎng)絡(luò)認(rèn)知過程中的有益情緒提取出來，及時(shí)準(zhǔn)確地發(fā)現(xiàn)認(rèn)知過程中的優(yōu)勢(shì)因素和干預(yù)因素，使學(xué)習(xí)行為在知識(shí)網(wǎng)絡(luò)布局結(jié)構(gòu)上進(jìn)行優(yōu)化，實(shí)現(xiàn)積極情緒與認(rèn)知資源的有益融合.

參考文獻(xiàn)(References)：

[1] 劉群，張振.基于智能移動(dòng)終端觸屏行為的情緒識(shí)別 [J].微電子學(xué)與計(jì)算機(jī)，2016，33(6)：44-48.

(LIU Qun，ZHANG Zhen.Emotional state detection from touch-based behavior on touch-screen device [J].Microelectronics & Computer，2016，33(6)：44-48.)

[2] 王萬森，溫紹潔，郭鳳英.基于人工情緒的智能情感網(wǎng)絡(luò)認(rèn)知系統(tǒng)研究 [J].小型微型計(jì)算機(jī)系統(tǒng)，2016(3)：569-572.

(WANG Wan-sen，WEN Shao-jie，GUO Feng-ying.Study of intelligent affective network tutoring system based on artificial emotion [J].Journal of Chinese Computer Systems，2016(3)：569-572.)

[3] 趙衛(wèi)東，趙旭東，戴偉輝.突發(fā)事件的網(wǎng)絡(luò)情緒傳播機(jī)制及仿真研究 [J].系統(tǒng)工程理論與實(shí)踐，2015，35(10)：2573-2581.

(ZHAO Wei-dong，ZHAO Xu-dong，DAI Wei-hui.Emotion propagation mechanism of emergency events in cyber space and simulation [J].Systems Engineering-Theory & Practice，2015，35(10)：2573-2581.)

[4] 周煒，牛連強(qiáng)，王斌.面向社交網(wǎng)絡(luò)的認(rèn)證模型 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2016，38(5)：545-550.

(ZHOU Wei，NIU Lian-qian，WANG Bin.Authentication models faced on social networks [J].Journal of Shenyang University of Technology，2016，38(5)：545-550.)

[5] 李陽輝，謝明，易陽.基于深度學(xué)習(xí)的社交網(wǎng)絡(luò)平臺(tái)細(xì)粒度情感分析 [J].計(jì)算機(jī)應(yīng)用研究，2017(3)：743-747.

(LI Yang-hui，XIE Ming，YI Yang.Fine-grained sentiment analysis for social network platform basedon deeplearning model [J].Application Research of Computers，2017(3)：743-747.)

[6] 劉龍飛，楊亮，張紹武.基于卷積神經(jīng)網(wǎng)絡(luò)的微博情感傾向性分析 [J].中文信息學(xué)報(bào)，2015，29(6)：159-165.

(LIU Long-fei，YANG Liang，ZHANG Shao-wu.Convolutional neural networks for chinese micro-blog sentiment analysis [J].Journal of Chinese Information Processing，2015，29(6)：159-165.)

[7] 劉芳，宮華，許可.基于熵權(quán)改進(jìn)的TOPSIS法的認(rèn)知質(zhì)量評(píng)價(jià) [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2017，39(5)：540-544.

(LIU Fang，GONG Hua，XU Ke.Teaching quality evaluation for teachers based on TOPSIS method with improvement of entropy weight [J].Journal of Shenyang University of Technology，2017，39(5)：540-544.)

[8] 陳小輝，張功萱.基于信息熵的符號(hào)屬性精確賦權(quán)聚類方法 [J].重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，26(6)：850-855.

(CHEN Xiao-hui，ZHANG Gong-xuan.Symbol property accurate weight clustering method based on information entropy [J].Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition)，2014，26(6)：850-855.)

[9] 黃發(fā)良，于戈，張繼連.基于社交關(guān)系的微博主題情感挖掘 [J].軟件學(xué)報(bào)，2017，28(3)：694-707.

(HUANG Fa-liang，YU Ge，ZHANG Ji-lian.Mining topic sentiment in micro-blogging based on micro-blogger social relation [J].Journal of Software，2017，28(3)：694-707).

[10]孫彬，王東.微信息輿情的主動(dòng)介入導(dǎo)引模式 [J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2016，38(5)：584-589.

(SUN Bin，WANG Dong.Active intervention guidance mode of micro-message public opinion [J].Journal of Shenyang University of Technology，2016，38(5)：584-589.)

[11]吳鈺潔，朱福喜，周競(jìng).基于概率圖模型的文本情感分析 [J].小型微型計(jì)算機(jī)系統(tǒng)，2015，36(7)：1421-1425.

(WU Yu-jie，ZHU Fu-xi，ZHOU Jing.Using probabilistic graphical model for text sentiment analysis [J].Journal of Chinese Computer Systems，2015，36(7)：1421-1425.)

[12]李芮，王萬森.融入性格的E-Learning情緒模型 [J].計(jì)算機(jī)工程與設(shè)計(jì)，2016(1)：216-220.

(LI Rui.WANG Wan-sen.Emotional model merged with personality in E-Learning [J].Computer Engineering and Design，2016(1)：216-220.)

[13]潘瑞林，李園沁，張洪亮.基于α信息熵的模糊粗糙屬性約簡(jiǎn)方法 [J].控制與決策，2017，32(2)：340-348.

(PAN Rui-lin，LI Yuan-qin，ZHANG Hong-liang.Fuzzy-rough attribute reduction algorithm based on α information entropy [J].Control and Decision，2017，32(2)：340-348.)

[14]彭長(zhǎng)根，丁紅發(fā)，朱義杰.隱私保護(hù)的信息熵模型及其度量方法 [J].軟件學(xué)報(bào)，2016，27(8)：1891-1903.

(PENG Chang-gen，DING Hong-fa，ZHU Yi-jie.Information entropy models and privacy metrics methods for privacy protection [J].Journal of Software，2016，27(8)：1891-1903.)

[15]廖軍，蔣朝惠，郭春.一種基于權(quán)重屬性熵的分類匿名算法 [J].計(jì)算機(jī)科學(xué)，2017，44(7)：42-46.

(LIAO Jun，JIANG Chao-hui，GUO Chun.Classification anonymity algorithm based on weight attributes entropy [J].Computer Science，2017，44(7)：42-46.)