May, 2018

通过时间变化镜头探索表情符号使用和预测

PDF
TL;DR本文探讨了 Emoji 图标的使用和语义，并通过比较不同时间的语料库，证明不同时间的 Emoji 图标的使用情况是不同的。此外，我们提出了一种考虑时间因素的 Emoji 预测系统，这种系统在性能上优于现有的系统，并可以显著提高某些 Emoji 图标的准确性。
发现论文，激发创造
  • 新模态：表情符号在预测、预期和检索方面的挑战

    本文探讨了将表情符号视为一种新的语言交流媒介的可能性，并基于采集自 Twitter 的数据集，实现了从文本和图像中预测表情符号的功能。同时，也初步解决了如何处理新的表情符号和使用表情符号进行多媒体检索的问题。

    Jan, 2018

  • 多模态表情符号预测

    研究了一种基于多模态方法的表情符号预测技术，通过结合图片和文本信息可以更准确地进行表情符号预测，并发现这两种模态的信息能够相互补充从而提高预测准确性。

    Mar, 2018

  • Emoji 预测：扩展和基准测试

    本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。

    Jul, 2020

  • 使用 Transformer 模型进行 Emoji 预测

    本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

    Jul, 2023

  • 表情符号是否可预测？

    本研究探究了文字和表情符号之间的关系，并使用长短期记忆网络等多种模型预测文本信息所触发的表情符号，而实验结果表明，计算模型比人工能更好地捕捉表情符号的潜在语义。

    Feb, 2017

  • EmojiLM: 建模新的表情符号语言

    通过从大型语言模型合成大规模的文本 - 表情符号平行语料库，并在此基础上提取面向文本 - 表情符号双向翻译的序列到序列模型，我们的研究在公共基准测试和人工评估中表现出优于强基准模型的性能，且平行语料库对与表情符号相关的后续任务有益。

    Nov, 2023

  • 多模态情感分类

    本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

    Mar, 2019

  • 从采用到适应：追踪新表情符号在 Twitter 上的传播

    通过对采样的英语推特的大数据集进行分析，我们研究了新发布的表情符号在社交媒体中如何获得关注并发展其意义，发现早期采纳者的社群规模和表情符号的语义对其受欢迎程度至关重要，某些表情符号在传播过程中经历了意义和情感关联的显著转变，此外，我们提出一个使用语言模型提取具有语义相似背景的单词和已存在的表情符号的新框架，通过将未知新表情符号替换为熟悉的表情符号，该框架在情感分类性能方面展示了其有效性。本研究为理解新语言单位如何被采纳、改编和融入在线交流的过程提供了一个新的视角。

    Feb, 2024

  • 对话系统中的神经网络表情建议

    本文提出了一种基于 H-LSTM 模型和 softmax 分类器的方法，以自动推荐相关的 Emoji 表情符号，以更好地传达情感信息。实验结果表明，该方法在情感识别任务上具有优秀的性能，能够更好地捕捉上下文信息和情感流动。

    Dec, 2016

  • 从无监督的情感分析中创建表情符号词库

    在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

    Apr, 2024