WWWJun, 2018

基于表情的表示学习在跨语言情感分类中的应用

PDF
TL;DR本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。
sentiment classificationcross-lingual classificationemoji predictionrepresentation learningbenchmark datasets
发现论文，激发创造
  • 基于表情符号的情感转移学习

    该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

    Feb, 2021

  • 面带微笑，心情愉悦 :) 基于 Emoji 的视觉情感分析

    本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

    Jul, 2019

  • 使用数百万个表情符号出现次数来学习用于检测情感、情绪和讽刺的任意领域表示

    本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

    Aug, 2017

  • 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

  • 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

  • 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

  • 面向资源匮乏语言的基于表情符号表示的对比学习

    提出了一种新方法，叫做使用孪生网络分类表情符号（CESNA），该方法使用孪生网络，通过相似度量基于表情符号来学习贫资源语言（如印地语和特卢古语）的表情符号表示，与资源丰富的语言一起训练并使其进入相同的表情符号空间。实验表明，CESNA 的预测效果优于基于分布语义、语义规则、词典列表和深度神经网络表示的最先进的表情符号预测方法。

    Apr, 2018

  • MojiTalk: 大规模生成情感回应

    借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

    Nov, 2017

  • 双语情感嵌入：跨语言情感的联合映射

    使用双语情感嵌入模型 BLSE，能够在资源贫乏的目标语言中精确的捕获情感信息，从而在跨语言情感分类任务中实现优于现有方法的性能提升。

    May, 2018