Sep, 2017

评估以内容为中心和以用户为中心的广告情感识别

PDF
TL;DR本文探讨广告的情感识别、编码方法与实际广告应用，从内容与用户两个视角出发，综合使用情感编码数据集、卷积神经网络、脑电图等技术手段，对相对情感编码方法进行对比研究，首次探究情感编码与广告实际效果的关系。
affect recognitioncomputational advertisingneural networkeeg signalsuser-centered
发现论文，激发创造
  • 超越聪明的叙述：视觉环境和注意力是视频广告情感主要的驱动因素

    通过将视频内容拆分为检测到的物体、粗糙的场景结构、物体统计和通过的注视点识别的活动物体，我们测量了每个信息通道的重要性，并发现相比于其它场景元素，通过眼动追踪识别的活动物体和场景结构更好地编码情感信息。从而得出广告情感不仅仅取决于叙述和巧妙使用语言和社交暗示，而是受到视觉信息转化的影响的研究结果。

    Aug, 2018

  • 基于 CNN 的移动设备面部情感分析

    该研究旨在设计、部署和评估应用于移动设备的基于卷积神经网络（CNN）的面部情感分析架构，通过提出三种 CNN 架构并在野外基准面部图像数据集上进行比较评估，发现这些架构在保持较高性能的同时最小化存储需求，并且可以部署在基于移动设备上实时视频流上，同时还实现了基于预测用户情感的音乐推荐界面。

    Jul, 2018

  • 基于深度神经网络的端到端多模态情感识别

    本研究提出了一种运用视觉和听觉模态的情感识别系统，其通过深度卷积神经网络提取语音特征，通过 50 层的深度残差网络提取视觉特征，并运用长短时记忆网络进行机器学习算法，通过对 AVEC 2016 情感识别研究挑战的 RECOLA 数据库的自发和自然情绪的预测，明显优于传统的以听觉和视觉手工制作特征为基础的方法。

    Apr, 2017

  • 情感图像内容分析：二十年回顾与新视角

    介绍了 AICA 的发展历程及其三个主要挑战，即情感差距、感知主观性和标签噪声与缺失。总结和比较了情感特征提取、学习方法以及 AICA 应用的代表性方法。同时，探讨了未来的挑战和应用前景。

    Jun, 2021

  • 监督式对比学习用于情感建模

    通过对多模态用户输入的可测情感表征进行情感分类，并通过对比学习来训练泛化的、高水平的、融入情感信息的情感表示，提高情感模型的准确性。

    Aug, 2022

  • 基于文本情感感知推荐系统中情感度量的应用

    本研究提出了一种使用生成式预训练变换技术检测主观段落中情感特征的方法，形成情感索引和情感指数指标，以消除用户构建情感特征检测机制的需要。同时，该研究主张采用责任分离的方法，用户保护情感个人信息数据，EARS 服务提供商不保留或存储数据，提供有效的情感意识建议。该研究为解决情感主观性和变异性、数据隐私、评估指标和基准提供了一种解决方案，并为未来 EARS 研究铺平了道路。

    May, 2023

  • 情感神经响应生成

    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

  • 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

  • 情感唤起图像增强方法的评估与比较

    通过生成对抗网络（GANs）创建情感计算的刺激数据集，探索了一种替代传统数据集准备方法的方案，包括使用不同的 GAN 架构、数据增强和迁移学习技术，在情感计算的领域中显示出有希望的生成情感激发性的合成图像，为未来的研究和改进提供了重要的潜力。

    Jun, 2024

  • 多模式多任务学习中广告理解基准测试

    为了更好地了解广告的主题和情感，本文提出了一种新颖的深度多模态多任务框架，将多种模态整合起来，同时实现广告的主题和情感的预测。通过多模态注意力模块，该模型在最新的大型广告数据集上实现了最先进的性能。

    Dec, 2019