利用情感细微差别识别人格
通过引入经验者概念,将情感标签分配给相关事件中的感受者,通过此方法,作者证明了在情感检测中忽略事件参与者是一种简化,但在情感检测任务中,忽略事件参与者是一种简化,但使用考虑事件参与者和评估的经验者感知模型来对情感进行分类比基于经验者的模型更为准确。
Oct, 2022
人脸表情和人类情感识别是心理学和医学的关键研究领域之一,现有的末端到末端训练的神经网络是目前唯一能达到最先进分类性能的模型,然而这种黑盒模型缺乏透明度,因此需要对决策过程进行分析和确定规则,同时分析单独输入样本无法暴露出系统性的学习偏差,这些偏差主要与人脸特征和抽象信息有关联,如年龄和医疗状况,理解模型的预测行为需要基于这些特征的因果分析,我们证明了高达 91.25% 分类器输出行为变化在基本特性方面是具有统计学显著性的,其中包括年龄、性别和面部对称性,此外,表面肌电图的医学使用对情感预测也有显著影响,我们提出了一个评估显式特性及其影响的工作流程,这些见解可以帮助医学专业人员在选择和应用分类器时考虑他们专业领域的特殊数据和特性。
Apr, 2024
本研究提出一种使用读者眼动模式获取认知特征的方法,以增强情感分析和讽刺检测的性能,结果表明:使用这种增强型特征集合可以将极性检测的 F 分数最高提升 3.7%和 9.3%。
Jan, 2017
本研究介绍一种新的情感分析标注方法,提出一种基于自传故事纪录的情感分析的数据集,探索了使用基于规则的自动标注方法来标注情感及其语义角色,以便教练识别相关方面,并探讨了基于图结构的情感分析的未来方向。
Oct, 2022
我们研究了情绪语料库中存在的主题偏差以及相关的建模方法,并发现通过对抗性修正可以缓解此问题。我们的研究指出现有情绪语料库存在问题,并且需要更具代表性的资源来进行情感概念从文本中预测的公平评估。
Dec, 2023
通过使用上下文化单词嵌入,我们可以捕捉人物形象中的情感维度,并比较男女形象的差异。虽然这些单词嵌入编码了有意义的情感信息,但受其训练数据的影响严重限制了它们的实用性。
Jun, 2019
本文研究了使用大规模语言模型所获得的单词嵌入中是否编码了某些情感信息。研究发现,只有在情感相关任务上微调 BERT 模型,或在情感丰富的上下文中包含额外的上下文信息时,相应的词嵌入才能编码更相关的情感信息。
Sep, 2022
介绍了 GoEmotions,这是目前最大的手动标注的数据集之一,其中包含 58k 英文 Reddit 评论,并将其标记为 27 种情感类别或中性。通过传递学习实验,证明了该数据集具有良好的泛化性能,BERT-based 情感检测模型取得了.46 的平均 F1 分数。
May, 2020
该研究提出利用情感作为文学文本中心情感的代理,通过利用情感词嵌入法探索计算检测语调与检测心情的差异,提出了一种简单而高效的情感词典增强方法,以产生与当代和现代定性分析密切匹配的真实世界一致结果。
Apr, 2023