Feb, 2016

多语言推特情感分类：人类标注员的角色

PDF
TL;DR该研究分析使用不同语言的大量手动标记的推文作为训练数据构建自动分类模型时，训练数据的质量和数量对于分类模型的质量比所使用的模型类型更为重要，并且当训练集的大小足够大时，模型的性能接近于标注者一致性，但定期监视标注者的一致性是非常重要的，从而改善训练数据集和模型性能，最后我们还表明，有强有力的证据表明，人们认为情感类别（消极的，中性的和积极的）是有序的。
automated twitter sentiment classificationtraining dataannotator agreement measuresmodel performancesentiment classes
发现论文，激发创造
  • 评价患者评论的人工和基于语言模型的情感标注的中立性的困难性

    情感分析是为了提供定向改进医疗服务而聚合患者声音的重要工具。这篇文章记录了一项工作，旨在为挪威公共卫生研究所（NIPH）收集的患者调查自由文本评论添加情感标注，并评估了使用大型语言模型作为标注工具的可行替代方案。

    Apr, 2024

  • 零样本基于提示的分类：德语推文中的主题标签

    基于最新的自然语言处理技术，本研究通过使用基于写作指南的文本对文本界面而无需提供培训样本的方法，评估其在实际应用中自动化注释任务中的效果，结果表明即使受到本地计算资源限制，这种以提示为基础的方法与经过优化的 BERT 模型相当，且无需任何已标记的训练数据。

    Jun, 2024

  • 我们在模拟任务还是模拟标注者？—— 自然语言理解数据集中标注者倾向的研究

    本文通过实验展示了人群智力数据集在自然语言理解中的存在问题和缺陷，建议在数据集创建过程中监控注释者的偏见，测试集注释者应该与训练集注释者无交集。

    Aug, 2019

  • 利用多语言 Transformer 和自动翻译增强数据的非英文推文情感分析改进

    本文提出利用多语言 Transformer 模型，通过使用自动翻译进行数据增强，来适应非英语语言中的小型推特语料库，以提高转换器的效果。

    Oct, 2020

  • Twitter 上跨语言情感分类的简单方法

    本文提出了一种简单易用的多语言情感分析框架，旨在作为情感分析测试基线和构建新情感分析系统的起点。该框架经过在 8 种不同语言的比较中，在其中三种语言的国际竞赛中名列前茅，在其他语言中也超越了报告的结果。

    Dec, 2016

  • NaijaSenti: 面向多语种情感分析的尼日利亚推特情感语料库

    介绍了首个针对尼日利亚四种最常用语言（豪萨语、伊博语、尼日利亚皮钦语、约鲁巴语）的大规模人工标注推特情感数据集，并对收集、处理和标注的方法进行了说明。同时对预训练模型和迁移策略进行了评估，并发布数据集、训练模型、情感词典和代码以促进对低资源语言情感分析的研究。

    Jan, 2022

  • 利用上下文信息进行增强的 Twitter 情感分类

    本文探索了利用不同位置、时间和作者搜集的大量元数据来分析推文情感，并使用基于贝叶斯方法的分类器，将上述元数据与 n-grams 等标准语言特征相结合，以更准确地对推文情感进行分类。结果表明，将 Twitter 可用的丰富上下文信息整合到情感分类中是一个有希望的研究方向。

    May, 2016

  • 情感分析自动标注方法比较

    本研究比较了三种情感自动标注技术用于推特情感分析，结果表明 Afinn 自动标注技术应用于 BiLSTM 深度学习模型具有最高的准确率，为 80.17％（DS-1）和 80.05％（DS-2），这表明自动文本标注可以提供显着的好处并提供了替代耗时和费用的人工标注工作的可行方案。

    Nov, 2022

  • 多语言情感分析的集成语言模型

    社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。

    Mar, 2024

  • M2SA：用于推特情感分析的多模态、多语言模型

    近年来，多模态自然语言处理引起了广泛关注，但我们需要更清晰地分析多语言环境下的多模态任务。本文通过一个简单的策划过程，将一份现有的文本 Twitter 情感数据集转化为多模态格式，从而填补了先前主要关注英语的情感分析研究的空白，并为研究界开辟了情感相关研究的新领域。此外，我们利用这个增强的数据集进行了基准实验，并报告了结果。值得注意的是，我们的评估结果显示，在单模态和多模态配置相比较时，使用一个经过情感调整的大型语言模型作为文本编码器表现出色。

    Apr, 2024