表情符号情感
通过调查信息发送者和接收者,本文研究了四种不同类型表情符号的使用动机、意图以及在语境影响下的情感效果。研究结果发现四种表情符号差异显著,其在非语言交流中具有独特的功能。
Mar, 2017
通过对采样的英语推特的大数据集进行分析,我们研究了新发布的表情符号在社交媒体中如何获得关注并发展其意义,发现早期采纳者的社群规模和表情符号的语义对其受欢迎程度至关重要,某些表情符号在传播过程中经历了意义和情感关联的显著转变,此外,我们提出一个使用语言模型提取具有语义相似背景的单词和已存在的表情符号的新框架,通过将未知新表情符号替换为熟悉的表情符号,该框架在情感分类性能方面展示了其有效性。本研究为理解新语言单位如何被采纳、改编和融入在线交流的过程提供了一个新的视角。
Feb, 2024
本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法,在 Twitter 数据集上使用表情符号来训练深度神经模型,有效地解决了对象分类模型在情感分析中的限制,其结果在公共情感分析基准测试中表现出优秀的性能。同时,研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法,加深了对表情符号模态的理解。
Jul, 2019
本篇研究旨在通过 EmojiNet 知识库中的可机器读取 Emoji 意义,通过不同的训练语料库,利用 Emoji 描述、 Emoji 感觉标签和 Emoji 感觉定义等信息开发和测试多种嵌入模型来衡量 Emoji 相似度,并开发了名为 EmoSim508 的新数据集来评估他们的工作。经测试,作者的嵌入模型在情感分析任务中表现出色,并发布数据集和嵌入模型供公共下载。
Jul, 2017
本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法,通过扩展对更多嘈杂标签的监督,模型可以学习更丰富的表示,同时从一个包含 64 个常见表情的数据集中进行表情预测,使用单个预训练模型在 8 个基准数据集中取得了最先进的性能,并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。
Aug, 2017
本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型,并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明,相对先前的最新技术,我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能,其中精度提高了 27.21%到 236.36%,前 5 个精度提高了 2.01%到 88.28%,F-1 分数提高了 65.19%到 346.79%。
Jul, 2020
本文使用社交媒体,并基于频率、语境和话题关联来比较不同国家在使用表情符号方面的异同,探讨表情符号使用的相似性和差异性,研究者发现表情符号的使用存在着显著的文化差异和规范性的使用模式,这揭示了表情符号在跨文化交流中的应用价值。
Apr, 2019