文本情感检测综述
该论文对 2005 年至 2021 年间 IEEE、Science Direct、Scopus 和 Web of Science 数据库中 63 篇文献进行了系统文献综述,总结了基于文本的情感检测技术在人工智能各个领域应用、情感模型、特征提取方法、数据集和未来研究方向等方面现有的研究进展和挑战。
Apr, 2022
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
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
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
本研究利用 GoEmotions 和 Vent 两个情感分类的大型数据集,通过多种特征空间和学习算法设计了一个基准测试,并在 BERT 基础上提出了两个简单却有效的模型,超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异,证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。
Sep, 2021
本研究对 IBM Watson NLU、ParallelDots、Symanto-Ekman、Crystalfeel、Text to Emotion、Senpy、Textprobe 和 NLP Cloud 等八种情感检测技术进行了比较,使用两个不同的数据集进行了比较,并使用理论证明的评估指标对这些 API 的性能进行了评估和讨论。
Jul, 2022
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。
Mar, 2018
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
本研究探讨了基于 Transformer 模型在文本数据情感分类上的应用。我们训练和评估了几种预训练 Transformer 模型,并对 Transformer 层的微调、可训练性以及文本数据预处理等因素进行了分析。我们的分析发现,常用的技术,如去除标点符号和停用词,可能会影响模型的性能。这可能是因为 Transformer 模型的优势在于理解文本中的上下文关系,而标点符号和停用词仍然可以传达情感或强调,去除它们可能会破坏这种上下文。
Mar, 2024
社交媒体兴起以来,越来越多的网民在线上分享和阅读帖子和新闻。然而,泛滥于互联网的大量错误信息(例如虚假新闻和谣言)会对人们的生活产生负面影响,这引发了对谣言和虚假新闻检测的热门研究课题。网民在社交媒体帖子和新闻中表达的情绪和情感是帮助区分虚假新闻和真实新闻,以及理解谣言传播的重要因素。本文全面回顾基于情绪的误信息检测方法。我们首先解释情绪与误信息之间的紧密联系。接着,我们详细分析了多种基于情绪、情感和立场特征的误信息检测方法,描述它们的优势和劣势。最后,我们讨论了基于大型语言模型的基于情绪的误信息检测面临的一些挑战,并提出了未来的研究方向,包括数据收集(多平台、多语言)、标注、基准测试、多模态以及可解释性。
Nov, 2023