Jul, 2018

Mastodon 上多任务对话行为和情感识别

PDF
TL;DR通过在一个具有可重现许可证的社交媒体 Mastodon 上进行手动注释，训练多任务分层递归网络，在社交媒体上，情绪和对话行为之间存在特定的相关性。
twitter datareproducible researchsocial mediamastodondeep network
发现论文，激发创造
  • 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

  • 在 Tweebank 语料库上进行命名实体识别注释，并建立用于社交媒体分析的 NLP 模型

    本研究旨在创建 Tweebank-NER，一个基于 Tweebank V2 的英文 NER 语料库，用 TB2 训练最先进的 Tweet NLP 模型，并发布名为 Twitter-Stanza 的 NLP 管道。

    Jan, 2022

  • 细粒度 Twitter 情感分析的多任务学习

    该研究提出了一种基于递归神经网络的多任务学习方法，能够有效地处理与情感分析相关的多个分类任务，并在优化细粒度情感分类问题中实现了领先的结果。

    Jul, 2017

  • 构建波斯语社交微博情感分析的口语数据集

    该研究提出了一种新的深度卷积神经网络模型以更有效地进行社交微博帖子中的口语文本情感分析，采用构建用户意见数据集，并使用不同的单词嵌入进行了评估，结果表明该模型具有 72％的准确性和有效性。

    Jun, 2023

  • Twitter 主题分类

    本文针对社交媒体中讨论的各种话题，通过推文主题分类研究，提供两个相关数据集用于评估推文分类模型，并在语言模型上进行量化评估和分析。

    Sep, 2022

  • MeisterMorxrc 参加 SemEval-2020 任务 9：细调 Bert 和多任务学习用于代码混合推文的情感分析

    该研究介绍了如何使用自然语言处理技术对不同领域的文本进行情感分析，特别是针对语言混合推文的预处理以及 Bidirectional Encoder Representation from Transformers（BERT）的调优的方法，并在 SemEval-2020 的竞赛中取得了很好的成绩。

    Dec, 2020

  • TWEETQA：一个以社交媒体为焦点的问答数据集

    这篇论文介绍了第一个面向社交媒体数据的自动问答系统大规模数据集，结果显示先前在形式文本上表现优异的神经模型在社交媒体文本上表现不佳，即使使用 fine-tuned BERT 模型，性能也远远落后于人类表现，因此有必要改进社交媒体文本问答系统。

    Jul, 2019

  • 基于转移学习的 GitHub 问题评论对话行为分类方法

    本文提出一种基于转移学习的对 GitHub 评论的对话行为分类方法，该方法能更好地理解虚拟团队在社交编码平台上的协作过程，采用多种编码模型进行比较，并探讨其在 GitHub 任务评论分类上的应用。

    Nov, 2020

  • 通过话语增强从情感注释到情感预测

    研究新架构用于情感分析的任务，结合了大规模的 MEGA-DT treebank 以及基于混合 TreeLSTM 分层注意模型的神经架构，通过情感相关的话语增强情感预测性能，实验结果显示，性能优于使用先前基于人类注释数据训练的良好建立的话语解析器的方法，同时演示了一个简单的组合方法如何进一步增强性能。

    Nov, 2020

  • 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