Sep, 2016

SemEval-2016 任务 4 上的 INSIGHT-1: 用于情感分类和量化的卷积神经网络

PDF
TL;DR本文描述了我们在 SemEval-2016 任务 4 中基于深度学习的处理 Twitter 的情感分析方法。我们使用卷积神经网络来确定情感，并参加所有子任务，即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩，排名第五和第四（根据另一种度量方法排名第三和第二），尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好，在 35 个队伍中排名第八，但在五点刻度情感分类和量化方面表现不佳。错误分析表明，这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。
发现论文，激发创造
  • 基于卷积神经网络的微博情感分析：自然语言处理方法

    本研究采用卷积神经网络（CNN）对来自微博的 119,988 篇原始推文进行情感分析，利用词嵌入进行特征提取，并在情感标签的基础上训练模型执行情感分类，实现了对积极、中立和消极情绪的平衡分类，展示了 CNN 在情感分析任务中的有效性。

    Jul, 2023

  • SemEval-2017 任务 4：Twitter 情感分析

    该论文描述了 Twitter 情感分析任务的第五个年头，继续重新运行了 SemEval-2016 任务 4 的子任务，其中包括对推文整体情感、针对话题的情感以及情感分布的量化等。相较于 2016 年，我们还引入了一种新的语言，即阿拉伯语，并提供了发布目标推文的 Twitter 用户档案信息。今年共有 48 个团队参加了这项任务。

    Dec, 2019

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • SemEval-2016 任务 5 中的 INSIGHT-1：多语言基于方面的情感分析中的深度学习

    本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络（CNN）对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题，输出一个阈值参数化的方面概率。为了确定对方面的情感态度，我们使用局限系统（英语不受限制）对语句进行分析，其在所有语言和领域中均取得了竞争性的结果，对于方面类别检测（插槽 1）和情感极性（插槽 3）分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二，从而证明深度学习为基于方面和多语言的情感分析方法的可行性。

    Sep, 2016

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017

  • DeepSentiBank：基于深度卷积神经网络的视觉情感概念分类

    本文提出了一种基于深度卷积神经网络的视觉情感概念分类方法，其中视觉情感概念是从网络照片的标签中自动发现的形容词名词对。通过 nearly one million Flickr images 数据集的训练，该深度 CNN 模型 SentiBank 2.0 显著提高了注释准确性和检索性能。

    Oct, 2014

  • 细粒度 Twitter 情感分析的多任务学习

    该研究提出了一种基于递归神经网络的多任务学习方法，能够有效地处理与情感分析相关的多个分类任务，并在优化细粒度情感分类问题中实现了领先的结果。

    Jul, 2017

  • 针对方面级别情感分类的参数化卷积神经网络

    本研究提出了一种新的参数化卷积神经网络用于方面级情感分类，并通过 SemEval 2014 数据集的实验结果证明，我们的参数化滤波器和参数化门有效地捕捉了方面特定的特征，同时基于卷积神经网络的模型取得了良好的结果。

    Sep, 2019

  • SeerNet 在 SemEval-2018 任务 1 中的应用：针对推文情感的领域自适应

    该论文描述了针对 Valence 和情感的序列分类和回归子任务的 SemEval-2018 推文情感分析比赛中成绩最好的系统，该系统采用了四个不同模型的域自适应并创建了一个集成模型，实现了大幅度的性能提升。

    Apr, 2018

  • 利用渐进训练和域转移深度网络进行稳健的图像情感分析

    本篇论文使用卷积神经网络进行视觉内容的情感分析，对于利用大规模训练数据解决如此具有挑战性的图像情感分析问题提出了渐进式微调网络的策略，通过将人工标注的 Twitter 图像进行领域转移，提高了推特图像的性能，综合实验结果表明，所提出的 CNN 算法在图像情感分析中具有比竞争算法更好的性能。

    Sep, 2015