Aug, 2017

推文中的情绪强度

PDF
TL;DR本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳 - 最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词 hashtag 通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。
emotion detectiondataset creationbest-worst scalingbenchmark systemlanguage manifestation
发现论文，激发创造
  • WASSA-2017 情感强度共享任务

    本文介绍了第一次分享任务，利用 “最优 - 最劣” 刻度（BWS）技术创建了推文的情绪强度数据集，并展示了标注数据的可靠性和机器学习系统的效果，增进了语言传达情绪强度的理解。

    Aug, 2017

  • 使用专家模型对推特中的情感进行分析

    本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。

    Mar, 2019

  • Seernet 在 EmoInt-2017 中的推文情感强度估计器

    本文介绍了使用广义回归器系统在推文中估计情绪强度的实验。系统结合了词法、句法和预训练词向量特征，对通用回归器进行训练，并最终结合最佳表现模型创建一个集成系统。所提出的系统在 WASSA-2017 共享任务情感强度排行榜中名列第三。

    Aug, 2017

  • 词汇情感强度

    本文首次提出人工创造的情感强度词典，针对四种基本情感（愤怒、恐惧、快乐和悲伤）给出了真实值评分。使用 BWS 技术创建词典，与 NRC VAD 词典进行比较，可以在商业、教育、智能和公共卫生等领域自动情感分析和自然语言生成系统中应用。

    Apr, 2017

  • 通过众包和最佳 - 最差比例尺捕获可靠的细粒度情感关联

    本文介绍使用 Best-Worst Scaling 技术获取三个不同领域（一般英语，英语 Twitter 和阿拉伯语 Twitter）中单词和短语的情感关联分数，并确定了一种语言本土人民可以感知的情感关联最小差异。

    Dec, 2017

  • 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

  • IEST: WASSA-2018 隐式情感共享任务

    该论文介绍了首个推特情感预测的共享任务，该任务着重于从推特文本上下文中推断隐含情感，通过自动方法预测情感会比人工更加准确。

    Sep, 2018

  • 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

  • 飓风灾害中感知情绪的检测

    该研究介绍了 HurricaneEmo 情感数据集，其中包含 15,000 条带有情感的英文推文，覆盖了三个飓风: Harvey，Irma 和 Maria，并探讨了利用社交媒体平台分析灾难领域情感的挑战和价值。

    Apr, 2020

  • 最佳 - 最差量表比打分量表更可靠：一个情感强度标注的案例研究

    本研究比较了评分尺度方法和最佳 - 最差比较法在数据注释中的可靠性，结果表明，在相同的标注总数量下，最佳 - 最差比较法比评分尺度方法产生了更可靠的结果。

    Dec, 2017