该论文表明,情感的精细类别是人格的重要指标,使用细致的情感特征可以显著提高基于文章的人格检测准确率。
Sep, 2013
该研究提出利用情感作为文学文本中心情感的代理,通过利用情感词嵌入法探索计算检测语调与检测心情的差异,提出了一种简单而高效的情感词典增强方法,以产生与当代和现代定性分析密切匹配的真实世界一致结果。
Apr, 2023
本文提出了使用话语关系传播情感极性的方法,该方法只需要一个非常小的种子词汇表和一个大型原始语料库,能够有效地识别日语数据中的情感事件。同时,即使标记数据很少,该方法也能改善监督学习结果。
Sep, 2019
通过引入情感方面的三种新方法,可以改善神经会话模型的自然语言处理能力,实现更加丰富、有趣和自然的情感化响应。
Sep, 2017
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
本文提出了一种基于 LSTM 模型的扩展 Affect-LM,用于在生成对话文本时增加情感内容的控制因素,研究表明,通过 Affect-LM 生成的自然语言句子不会破坏语法正确性。Affect-LM 学习到了区分情感的单词表达方式,迷惑度实验表明在对话文本中增加情感信息可以提高语言模型的预测效果。
Apr, 2017
通过对文本对话内容识别说话人的个性特征,人格识别对话(PRC)旨在为人机交互(HCI)的各种应用中提供个性化服务,如基于人工智能的心理治疗和老人陪伴机器人。然而,大部分最新研究分析对话内容进行人格分类时忽略了两个主要问题,即忽略反映说话人个性的情感等对话中的关键隐含因素,以及仅关注输入对话内容而忽略对个性本身的语义理解,从而降低结果的可解释性。在本文中,我们提出了一种情感自然语言推理(Affective-NLI)的方法,用于准确且可解释的 PRC。通过针对对话中情感识别的预训练语言模型进行微调,我们能够实时为话语进行情感注释,从而利用对话内容中的情感信息进行准确的个性识别。为了结果的可解释性,我们将个性识别问题形式化为自然语言推理问题,即确定文本描述的个性标签是否被对话内容所包含。在两个每日对话数据集上进行的广泛实验证明了 Affective-NLI 在性能上显著优于其他最先进方法(提升了 6% 至 7%)。此外,我们的流实验证明,通过超越其他最先进方法,Affective-NLI 能够在对话早期准确识别说话人的个性(提升了 22% 至 34%)。
Apr, 2024
本文提出了第一个公开可用的用于检测共情能力预测的标准,采用单项量表的方法可靠捕捉了作者对共情能力的评估,同时也是第一个区分多种共情形式的计算模型,实验表明 CNN 模型表现最佳。
Aug, 2018
本文提出了一种端到端情感丰富的神经对话模型,采用 VAD 注意机制将情感嵌入到每个单词中,并通过采用情感注意机制考虑了否定语和强化语的影响。最后,采用具有情感的目标函数训练模型,以产生具有情感丰富性的输出响应,得到人类的联合评估与基于困惑度的评估都优于同等规模的基线模型。
Nov, 2018
运用构式语法与系统功能语法理论以及深度学习计算框架建模不同方面的情感语言,通过对预科生写的仿真病人 - 医生互动对话的 440 篇论文进行分类,研究这种新方法在共情计算任务方面的应用潜力。
Feb, 2023