Mar, 2018

情感计算的深度学习：决策支持中基于文本的情感识别

PDF
TL;DR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。
affective computingdeep learningrecurrent neural networksemotion recognitiontransfer learning
发现论文，激发创造
  • 语音与文本情感识别器

    情感计算是一门研究领域，专注于开发能够理解、解释和响应人类情感的系统和技术。本研究主要针对公开可用的情感标签数据集稀缺和不平衡的问题，通过合并这些数据集以及采用各种语音数据增强技术构建了一个均衡的语料库，并在语音情感识别方面尝试了不同的架构。最佳系统是一个多模态的语音和基于文本的模型，相对于基准算法的性能为 157.57（不加权准确度 + 加权准确度），而基准算法的性能为 119.66。

    Dec, 2023

  • 基于情感和语义的文本对话情感检测方法

    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。

    Jul, 2017

  • 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

  • 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

  • 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

  • 重塑情绪识别建模：广义大模型的出现

    综合研究了大语言模型在情感识别中的性能，包括上下文学习、少样本学习、准确性、泛化能力和解释性，并提供了一些见解和潜在挑战，以促进情感识别在新的先进和广义大模型时代的发展。

    Aug, 2023

  • 一种个性化情感记忆神经模型，用于提高情感识别能力

    本论文提出了一个基于有条件的对抗自动编码器的神经模型和增长可变网络的方法，用于识别和区分个性化和在线面部表情的情绪，取得了最先进的表现，还包括削减研究和神经可视化，以解释我们的模型行为。

    Apr, 2019

  • 使用高级音频和文本特征的多模态情感识别

    本篇研究提出一个基于深度学习和跨媒介表征学习的情感识别方法，该方法融合了文字和语音特征，并通过评估发现其在 IEMOCAP 数据集上表现优于其它方法。

    Sep, 2021

  • 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