EMNLPAug, 2018

Amobee 在 IEST 2018：来自语言模型的迁移学习

PDF
TL;DR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。
amobeewassa 2018implicit emotionslanguage modelslstm
发现论文，激发创造
  • IIIDYT at IEST 2018: 利用深度上下文化词向量进行隐式情感分类

    该研究使用预训练的 ELMo 层对句子中的词语进行编码，再结合双向 LSTM 以及最大池化操作来对情感进行分析，最终采用 6 个不同随机种子初始化的模型在隐式情感共享任务中获得了第二高的 F1 分数。

    Aug, 2018

  • Amobee 参加 SemEval-2018 任务 1：使用 CNN 注意力机制的 GRU 神经网络进行情感分类

    该文介绍了 Amobee 参加 SemEval 2018 共享观点分析任务的情况，描述了他们在该任务中的系统，包括训练任务特定的单词嵌入、使用带门的递归单元（GRU）与卷积神经网络（CNN）注意机制训练模型以及训练基于堆叠的集成模型，最后提到他们在英语和西班牙语的序数分类子任务中分别获得了第三和第一名。

    Apr, 2018

  • IEST: WASSA-2018 隐式情感共享任务

    该论文介绍了首个推特情感预测的共享任务，该任务着重于从推特文本上下文中推断隐含情感，通过自动方法预测情感会比人工更加准确。

    Sep, 2018

  • Seernet 在 EmoInt-2017 中的推文情感强度估计器

    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

  • 基于门控循环神经网络和胶囊网络的隐式情感识别方法 ——Sentylic 在 IEST 2018 中的表现

    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

  • 基于 Transformer 的情感检测集成方法

    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

  • NTUA-SLP 在 SemEval-2018 任务 1 中使用深度注意力循环神经网络和迁移学习来预测推文中的情感内容

    本文介绍了在 SemEval-2018 挑战赛中参赛的深度学习模型及其应用。采用 Bi-LSTM 网络结构和多层自注意力机制，利用大量 Twitter 数据的 word2vec 词向量嵌入和情感特征，通过预先训练 Semeval 2017 年的数据集进行迁移学习，最终在多个子任务中取得了显著的结果。

    Apr, 2018

  • WASSA@IITK 在 WASSA 2021 中：情感分类和共情预测的多任务学习和 Transformer 微调

    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

  • 利用表情符号和话题标签的情感知识的 PlusEmo2Vec 于 SemEval-2018 任务 1

    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

  • 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