Acceso usuarios
China
El estado emocional de los atletas es crucial para el nivel de competición y entrenamiento, especialmente durante la competición. Sus fluctuaciones emocionales tienen un impacto directo en su rendimiento. Reconocer las emociones de los atletas a través de sus datos en redes sociales permite detectarlas oportunamente, lo que permite ajustar el plan de entrenamiento o intervenir tempranamente para evitar afectar los resultados de la competición. Mediante técnicas de aprendizaje automático y aprendizaje profundo, la inteligencia artificial puede analizar diversos formatos de datos, como texto, voz, imágenes y vídeos, para identificar y comprender el estado emocional de los atletas. En este artículo, proponemos un método de análisis de sentimiento de oraciones con granularidad múltiple. Este método construye el modelo de análisis de sentimiento de oraciones completas DABLSTM-L1 mediante la fusión de vectores de palabras de sentimiento y características semánticas de alto nivel. Además, construye el modelo de reconocimiento de sentimiento de oraciones interactivas Att-CNN-BLSTM para extraer las características de sentimiento interactivas de la oración completa y las oraciones locales. Finalmente, fusiona el modelo de análisis de sentimiento de oraciones completas DABLSTM-L1, el modelo de análisis de sentimiento de oraciones locales y el modelo de clasificación de sentimiento de oraciones interactivas Att-CNN-BLSTM para predecir la polaridad del sentimiento del texto. Los resultados experimentales muestran que el análisis de sentimiento de oraciones con granularidad múltiple puede identificar eficazmente el estado emocional de los atletas.
The emotional state of athletes is crucial to the level of competition and training, especially during the competition, the emotional fluctuations of athletes have a direct impact on the performance of the competition. Recognizing the emotions of athletes through their social media data can detect the fluctuations in their emotions in a timely manner, which can be used to adjust the training plan or intervene early to avoid affecting the competition results. Using machine learning and deep learning techniques, artificial intelligence can analyze multiple data forms such as text, voice, image and video to identify and understand the emotional state of athletes. In this paper, we propose a multi-granularity sentence sentiment analysis method, which constructs the whole sentence sentiment analysis model DABLSTM-L1 by fusing sentiment word vectors and high-level semantic features, and constructs the interactive attention sentence sentiment recognition model Att-CNN-BLSTM to extract the interactive sentiment features of the whole sentence and local sentences, and finally fuses the whole sentence sentiment analysis model DABLSTM-L1, local sentence sentiment analysis model and interactive attention sentence sentiment classification model Att-CNN-BLSTM to predict the sentiment polarity of text. The experimental results show that multi-granularity sentence sentiment analysis can effectively identify the emotional state of athletes.
