表情符号是否可预测?
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
本文提出了一种基于 H-LSTM 模型和 softmax 分类器的方法,以自动推荐相关的 Emoji 表情符号,以更好地传达情感信息。实验结果表明,该方法在情感识别任务上具有优秀的性能,能够更好地捕捉上下文信息和情感流动。
Dec, 2016
本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号,实验结果表明我们的方法的准确性高于其他几种先进的模型,这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。
Jul, 2023
本文探讨了将表情符号视为一种新的语言交流媒介的可能性,并基于采集自 Twitter 的数据集,实现了从文本和图像中预测表情符号的功能。同时,也初步解决了如何处理新的表情符号和使用表情符号进行多媒体检索的问题。
Jan, 2018
通过从大型语言模型合成大规模的文本 - 表情符号平行语料库,并在此基础上提取面向文本 - 表情符号双向翻译的序列到序列模型,我们的研究在公共基准测试和人工评估中表现出优于强基准模型的性能,且平行语料库对与表情符号相关的后续任务有益。
Nov, 2023
本文探讨了 Emoji 图标的使用和语义,并通过比较不同时间的语料库,证明不同时间的 Emoji 图标的使用情况是不同的。此外,我们提出了一种考虑时间因素的 Emoji 预测系统,这种系统在性能上优于现有的系统,并可以显著提高某些 Emoji 图标的准确性。
May, 2018
本文研究社交媒体中 emoji 图标的情感分类问题,并探讨了不同的多模态官能(文本、emoji 和图片)在此问题中的作用,结果表明三种官能可互补,最高准确度达到 71.98%。
Mar, 2019
本文研究了表情符号在社交媒体上的使用,分析了它与先前的输入法的差异,并使用因果推断的匹配方法检验了表情符号的使用是否会导致用户在 Twitter 上使用更少的表情符号。
Oct, 2015