Jul, 2017

基于情感和语义的文本对话情感检测方法

PDF
TL;DR本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。
emotionstextual conversationsdeep learninglstmsentiment analysis
发现论文，激发创造
  • 情感分析：从文本自动检测情感倾向、情绪及其他感性状态

    本文介绍了机器学习在情感分析领域的最新进展，并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外，文中还讨论了情感分析存在潜在有害影响的问题，并介绍了追求情感分析公平性的最新研究方向。

    May, 2020

  • 文本情感检测综述

    文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

    Jun, 2018

  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 2023

  • 情感计算的深度学习：决策支持中基于文本的情感识别

    本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

    Mar, 2018

  • 使用深度学习技术对短英文文本进行情感分类

    使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

    Feb, 2024

  • 基于文本的情感检测综述 -- 技术、应用、数据集和未来方向

    该论文对 2005 年至 2021 年间 IEEE、Science Direct、Scopus 和 Web of Science 数据库中 63 篇文献进行了系统文献综述，总结了基于文本的情感检测技术在人工智能各个领域应用、情感模型、特征提取方法、数据集和未来研究方向等方面现有的研究进展和挑战。

    Apr, 2022

  • 基于文本的情感自动分类：不同数据集的比较探索

    本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现，结果发现 RoBERTa 模型在所有情况下表现最佳，并测试了这些模型对实际社交媒体帖子的适用性。

    Feb, 2023

  • 情感分析系统开发中的方法、应用和挑战类型

    现今，网站已成为展示用户对各种事件的意见、情感和感受的必要平台。使用自己的智能手机，每个人都可以在博客和社交媒体上（如 Twitter、WhatsApp、Telegram 和 Instagram）发表关于购买产品、发生事故、出现新疾病等方面的意见。因此，每天都记录了数百万条评论，这创造了大量的非结构化文本数据，可以通过自然语言处理方法从这种类型的数据中提取有用的知识。情感分析是自然语言处理和机器学习的重要应用之一，可以使我们分析评论和其他网页用户记录的文本信息的情感。因此，以下将说明在这一领域中的情感分析、方法和挑战。

    Mar, 2023

  • 揭示基于文本的情绪检测的限制

    本研究利用 GoEmotions 和 Vent 两个情感分类的大型数据集，通过多种特征空间和学习算法设计了一个基准测试，并在 BERT 基础上提出了两个简单却有效的模型，超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异，证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。

    Sep, 2021

  • 自然语言处理用于情感认知分析

    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