电影情感弧线学习的音视频情感分析
使用大数据分析的方法,利用计算能力,自然语言处理和数字化文本处理,对文化演变进行研究,对一部分 Project Gutenberg 文本集中的 1327 个故事进行情感弧分类,发现六种情感弧,是构成复杂情感轨迹的基本构建模块之一,并可以通过矩阵分解、监督学习和无监督学习进行加强,发现有些情感弧在今天的出版物中更受欢迎,由下载数量衡量。
Jun, 2016
本研究首次系统而定量地评估了自动生成的情感弧,并比较了使用机器学习模型和仅词典方法生成情感弧的优劣。研究发现,尽管词典方法在实例级别上表现不佳,它们通过聚合来自数百个实例的信息高度准确地生成情感弧。此结果对商业发展,以及注重简单解释方法、不需要特定领域培训数据、编程专业知识和高碳足迹模型的心理学、公共健康、数字人文等领域的研究具有广泛的影响。
Oct, 2022
本研究旨在开发和分析多模态模型,预测观众观看电影片段时的情感反应。研究发现,通过提取 RGB 帧和光流的特征以及音频中的各种低级描述符,采用深度神经网络模型来进行情感预测更为精确。其中,光流特征比 RGB 视频更加信息含量丰富,且音频特征的预测精度高于视频特征。
Sep, 2019
本文研究使用深度神经网络模型准确预测电影观众观看电影时所体验到的人类情感,其中包括来自 RGB 视频帧的视觉提示,涵盖声音、语音和音乐的听觉组件,以及包含演员对话的语言元素。
Jun, 2023
该论文提出了一种新颖的方法来执行新闻视频的情感分析,基于从内容中提取的音频、文字和视觉线索的融合。该方法旨在为构建媒体宇宙的 ethos(身份)的 semiodiscoursive 研究做出贡献,我们计算了从面部表情中识别出的视觉强度、参与者的声音调制、文本语音和情感得分(极性)。实验结果显示,该方法在情感分类任务中达到了高达 84%的准确度,因此在新闻界中具有极高的应用潜力。
Apr, 2016
本文通过定量和系统地评估,比较了两种情感环路的常见方法:机器学习模型和仅词典方法。为了在世界范围内从情感相关研究中得出有意义的结论(从而避免西方中心主义偏见),作者说明使用自动翻译的英语情感词典可以用于生成高质量的情感弧。
Jun, 2023
通过研究连续情感评价模型,我们收集、分析了儿童故事中的情感内容,提出了一种弱监督学习的方法来预测故事情感变化的连续值,通过 DeBERTa 模型改进,达到了较高的相关性和有效性。
Jun, 2024
通过分析电影的三个不同渠道 (文本、音频和图像) 中的情感,利用 Jaccard 相似性指数匹配参与者的情感偏好与电影选择,并使用模糊推理技术确定群体共识,从而提供群体电影建议。
Apr, 2024
本报告提出了一种名为 ViNTER(Visual Narrative Transformer with Emotion arc Representation)的图像叙事生成方法,其以 “情感轨迹” 作为输入来捕捉感情变化的序列,并在图像叙事数据集上进行了自动化和手动评估的实验结果,证明了这种方法的有效性。
Feb, 2022