Apr, 2018

NTUA-SLP 在 SemEval-2018 任务 1 中使用深度注意力循环神经网络和迁移学习来预测推文中的情感内容

PDF
TL;DR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。
发现论文，激发创造
  • 利用表情符号和话题标签的情感知识的 PlusEmo2Vec 于 SemEval-2018 任务 1

    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

  • NTUA-SLP 在 SemEval-2018 任务 3 中，使用单词和字符级别注意力 RNN 集成跟踪讽刺推文

    本研究提出了两个基于深度学习的系统，在 SemEval-2018 任务 3 “英文推文中的反讽检测” 中排名第二，并使用自我注意机制、双向长短时记忆循环神经网络，以及预训练的 word2vec 词向量来捕获推文中的语义和句法信息。

    Apr, 2018

  • SeerNet 在 SemEval-2018 任务 1 中的应用：针对推文情感的领域自适应

    该论文描述了针对 Valence 和情感的序列分类和回归子任务的 SemEval-2018 推文情感分析比赛中成绩最好的系统，该系统采用了四个不同模型的域自适应并创建了一个集成模型，实现了大幅度的性能提升。

    Apr, 2018

  • BB_twtr 在 SemEval-2017 任务 4 中：使用 CNN 和 LSTM 进行 Twitter 情感分析

    使用卷积神经网络与长短时记忆网络，我们成功实现了最先进的 Twitter 情感分类器，通过海量无标注数据来预训练词向量，然后使用少量无标注数据通过远程监督来微调嵌入向量，最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调，使用了集成学习方法，我们在所有五个英文子任务中均排名第一。

    Apr, 2017

  • SemEval-2013 任务 2：Twitter 中的情感分析

    通过提出 SemEval-2013 任务 2：Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集，对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。

    Dec, 2019

  • Twitter 社交网络句子级情感分类的深度神经网络架构

    本文介绍了一种新颖的深度学习框架，包括基于词汇表的方法用于句子级别情感标签预测。我们首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加词级嵌入的信息。然后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生句子级特征表示。我们在三个 Twitter 情感分类数据集上评估了我们的方法。实验结果表明，我们的模型可以提高 Twitter 社交网络中句子级情感分析的分类准确性。

    Jun, 2017

  • 使用专家模型对推特中的情感进行分析

    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

  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 2023

  • UBC-DLNLP 参加 SemEval-2023 任务 12：迁移学习对非洲情感分析的影响

    该研究通过使用六种语言模型并采用迁移学习和微调技术，开发了用于 14 种不同非洲语言情感分析的多语言模型，最终在开发和测试数据中取得了 F1 得分。结果表明跨多种语言的情感分析可以通过迁移学习和微调技术实现，该方法可以应用于其他语言和领域的情感分析任务。

    Apr, 2023

  • TwiSE 在 SemEval-2016 任务 4 中的应用：推特情感分类

    本文简要介绍了作者和团队参加 SemEval2016 挑战赛的情况，讨论了在 Twitter 情感分析任务中的方法和步骤，其中使用了两阶段方法，最终使用集成学习方法来得出排名靠前的结果。

    Jun, 2016