IIIDYT at IEST 2018: 利用深度上下文化词向量进行隐式情感分类
本文介绍了我们在 Implicit WASSA 2018 的情感预测比赛中所用的系统,使用了 GRU 和 Capsule Network 的模型,并利用预训练的词嵌入来将上下文信息引入模型,最终取得了 0.692 的 F1 评分。
Sep, 2018
该论文描述了 Amobee 公司开发的用于 WASSA 2018 内隐情绪共享任务 (IEST) 的系统,其目标是预测推特中未使用明确词汇表达的情感,该系统使用了语言模型 (具体是针对大型推特数据集进行训练的) 和带有 CNN 注意机制的 LSTM 网络的集成系统, 是对语言模型的新型应用,通过该系统在 macro F1 得分等方面取得了第一名。
Aug, 2018
本文介绍了使用广义回归器系统在推文中估计情绪强度的实验。系统结合了词法、句法和预训练词向量特征,对通用回归器进行训练,并最终结合最佳表现模型创建一个集成系统。所提出的系统在 WASSA-2017 共享任务情感强度排行榜中名列第三。
Aug, 2017
我们的系统 VISU 参与了 WASSA 2023 共享任务(3),对以新闻文章为反应的论文进行情感分类。通过深度学习模型使用单词嵌入表示与定制的预处理策略相结合,我们专注于捕捉情感表达的细微差异。我们的实验使用静态和上下文嵌入(个体和堆叠)与双向长短时记忆(BiLSTM)和变换器模型。在情感检测任务中,我们以 0.2717 的宏 F1 得分排名第十,验证了我们实现的方法在小型和不平衡的混合目标情感数据集上的有效性。
Jul, 2023
本文旨在通过使用深度学习模型和机器学习技术,特别是 ELECTRA 模型和多任务学习,对 WASSA 2021 共享任务中的情感预测和情感分类进行建模,并在两个子任务中取得了不俗的成绩。
Apr, 2021
本文介绍了我们在第一届身体表现情感理解(BEEU)挑战赛中的获奖作品。我们基于情绪环境的影响和使用词嵌入的语义视觉表示的最新文献,扩展了时间段网络的框架来适应这些要求。验证了我们的方法在 “Body Language Dataset”(BoLD)的验证集上,并在测试集上实现了 0.26235 的情绪识别准确率,超过了以前最佳结果 0.2530。
Oct, 2020
本文描述了我们的系统,该系统已提交到 SemEval-2018 Affect in Tweets (AIT)任务以解决五个子任务,通过利用具有表情符号和哈希标签的大型远程标记语料库来对文本中的情绪进行建模。使用神经网络模型作为特征提取器来转移情感知识,并将这些表示用于传统的机器学习模型,如支持向量回归(SVR)和逻辑回归,以解决竞赛任务,我们的系统在参赛的所有子任务中都排名前三。
Apr, 2018
本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献,通过对一篇文章进行分类,识别离散的情感,如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用,并取得了 F1 分数为 62.76%的成果。
Mar, 2022
本研究提出一种基于可迁移语言模型和动态最大池化的情感分类器,旨在通过应用自注意力机制和加权交叉熵损失,改善口语对话中的情境信息和类别不均衡问题,并通过后训练和微调机制,利用多种机器学习技术来提高模型性能,实验结果表明,该模型在 Friends 和 EmotionPush 数据集上表现优异,且在 EmotionX 2019 挑战中也取得了竞争性的表现。
Jun, 2019