Aug, 2018

情感、情绪和强度预测的多任务集成框架

PDF
TL;DR本文研究使用多任务组合框架解决情感和情绪分析中的三个问题，并通过使用卷积神经网络（CNN）、长短期记忆网络（LSTM）和门限循环单元网络（GRU）等三种深度学习模型以及手工特征表示进行预测，实验结果显示出本文提出的多任务组合框架的有效性，对于大部分问题和领域都获得了 2-3 个百分点的性能改进。
emotion analysissentiment analysismulti-task ensemble frameworkdeep learning modelsperformance improvement
发现论文，激发创造
  • 多模态情感识别和情感分析的多任务学习

    本文介绍了一个深度多任务学习框架，通过上下文级别的视听注意力机制来同时进行情感和表情分析，并在 CMU-MOSEI 数据集上达到了新的最佳性能。

    May, 2019

  • 基于注意力增强的端到端多任务学习在语音情感预测中的应用

    本文提出了一种增强的端到端框架，通过学习其他辅助任务和关注机制来获取更加稳健和更好地共享表示，以缓解传统系统中由于有限训练数据而导致的过拟合问题，提高语音情感识别性能。

    Mar, 2019

  • 基于多任务学习的多情感描述符合集模型

    本文介绍我们在第四届野外情感行为分析竞赛中提交的方法，将提供的面部和面部周围背景的完整信息用于多任务学习挑战，使用 InceptionNet V3 模型提取深度特征，从而得出对情绪的分类和评估

    Jul, 2022

  • 不完整情感标签下的多任务情感识别

    本文中，我们使用数据平衡技术处理高度不平衡的实验数据，并提出了一种多任务模型的算法，通过使用软标签和真实标签来训练模型，解决了数据不全的问题，最终通过模型集成显著提高了面部动作单元检测、表情分类和情感估计的表现。

    Feb, 2020

  • 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

  • 基于大型预训练语言模型的实用文本分类

    本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。

    Dec, 2018

  • 多模态情感分析基准测试

    本研究通过卷积神经网络从文本、视觉等多个角度提取特征，实现了情感分析和情绪识别，并取得了 10% 的性能提升。同时，我们还探讨了在多模态情感分析研究中经常被忽视的若干重要问题，如讲话者无关模型和模态重要性等，从而为今后的研究提出了新的基准，并展示了在执行此类任务时需要考虑的不同方面分析。

    Jul, 2017

  • 多任务多模态预测分类和维度情感

    多任务学习在语音情绪识别中的应用与多模态系统和情绪范畴及情绪维度的预测相关，通过跨任务正则化和特征融合提高模型表现。

    Dec, 2023

  • 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

  • 利用情感特征提高情感分类的 Transformer 性能

    介绍了 PVGs AI Club 团队在 WASSA 2022 举办的情感分类共享任务中的方法。使用基于转换器模型的基准，并基于情感特定表示的两个变体，利用集成技术改善了性能，最终达到了情感分类任务的 0.619 的准确度和 0.520 的宏 F1 分数。

    Apr, 2022