SeerNet 在 SemEval-2018 任务 1 中的应用:针对推文情感的领域自适应
本文描述了我们的系统,该系统已提交到 SemEval-2018 Affect in Tweets (AIT)任务以解决五个子任务,通过利用具有表情符号和哈希标签的大型远程标记语料库来对文本中的情绪进行建模。使用神经网络模型作为特征提取器来转移情感知识,并将这些表示用于传统的机器学习模型,如支持向量回归(SVR)和逻辑回归,以解决竞赛任务,我们的系统在参赛的所有子任务中都排名前三。
Apr, 2018
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
本文介绍了在 SemEval-2018 挑战赛中参赛的深度学习模型及其应用。采用 Bi-LSTM 网络结构和多层自注意力机制,利用大量 Twitter 数据的 word2vec 词向量嵌入和情感特征,通过预先训练 Semeval 2017 年的数据集进行迁移学习,最终在多个子任务中取得了显著的结果。
Apr, 2018
提出了一种多任务框架 VADEC,用于更好地进行情感分析,其中包括多标签情感分类和多维情感回归,并通过协同训练利用任务之间的相互关系,其性能超过了最强基线,尤其是在情感分类任务方面,为 AIT 数据集中的 Jaccard Accuracy、Macro-F1 和 Micro-F1 得分分别带来了 3.4%、11% 和 3.9% 的提高,在 SenWave 数据集上表现出了 11.3% 的平均增益。当在 SenWave 数据集上训练时,VADEC 对于 Valence(V)和 Dominance(D)情感维度在 EMOBANK 数据集上实现了 7.6% 和 16.5% 的皮尔逊相关系数增益,最后在印度发布的 COVID-19 tweet 的案例研究中证明了该框架的有效性。
May, 2021
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
该论文描述了 Twitter 情感分析任务的第五个年头,继续重新运行了 SemEval-2016 任务 4 的子任务,其中包括对推文整体情感、针对话题的情感以及情感分布的量化等。相较于 2016 年,我们还引入了一种新的语言,即阿拉伯语,并提供了发布目标推文的 Twitter 用户档案信息。今年共有 48 个团队参加了这项任务。
Dec, 2019
本文描述了我们在 SemEval-2016 任务 4 中基于深度学习的处理 Twitter 的情感分析方法。我们使用卷积神经网络来确定情感,并参加所有子任务,即二点、三点、五点刻度情感分类和二点、五点刻度情感量化。我们在二点刻度情感分类和量化方面取得了有竞争力的成绩,排名第五和第四(根据另一种度量方法排名第三和第二),尽管仅使用不包含情感信息的预训练嵌入。我们在三点刻度情感分类方面表现良好,在 35 个队伍中排名第八,但在五点刻度情感分类和量化方面表现不佳。错误分析表明,这是由于模型无法捕捉负面情感并且无法考虑序数信息的表现力不足。我们提出了一些改进措施来解决这些和其他问题。
Sep, 2016
本文提出了一种方法,通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中,构建了一个平衡的数据集。在这个扩展数据集上,我们研究了支持向量机(SVM)和双向编码器表示转换器(BERT)在情感识别中的应用,并提出了一种将两种模型结合的新型集成模型。实验结果表明,该模型在推特情感识别中实现了 0.91 的准确率。
Aug, 2022
本文研究使用多任务组合框架解决情感和情绪分析中的三个问题,并通过使用卷积神经网络(CNN)、长短期记忆网络(LSTM)和门限循环单元网络(GRU)等三种深度学习模型以及手工特征表示进行预测,实验结果显示出本文提出的多任务组合框架的有效性,对于大部分问题和领域都获得了 2-3 个百分点的性能改进。
Aug, 2018
这篇论文介绍了一种从文本中分类情绪的方法,它针对各种情绪的多样性进行了差异化的识别,通过训练基于 Transformer 的模型建立了基准分类模型,并通过序数分类模型在情绪空间中考虑了情绪的价值和激活水平,结果表明该方法不仅能够准确预测情绪,而且在错分情况下显著降低了错误的程度。
Apr, 2024