Mar, 2019

SemEval-2019 任务 3：通过分层 LSTMs 和 BERT 在对话中进行情感检测

PDF
TL;DR本文介绍了 ANA 团队在 SemEval-2019 任务 3 中提交的系统，我们提出了一种新型分层 LSTMs 情感检测（HRLCE）模型，其可以在会话上下文中对话语进行情感分类。结果表明，在此任务中，我们的 HRCLE 优于最新的文本分类框架 BERT。我们结合 BERT 和 HRCLE 生成的结果，实现了 0.7709 的总体得分，在 165 个团队中排名第五。
发现论文，激发创造
  • 基于分层 Transformer 网络的话语级情感识别

    通过提出一种基于分层 Transformer 框架的情感识别方法，该方法结合了预训练语言模型和说话人嵌入，能在不同背景环境和不同说话人的情况下有效地捕捉言语的情感信息，实验结果表明该方法在三个对话数据集上分别取得了 1.98％、2.83％和 3.94％的 F1 宏平均分数提升。

    Feb, 2020

  • CAiRE_HKUST 在 SemEval-2019 任务 3 中的应用：采用分层注意力模型进行对话情感分类

    本研究介绍了一种层次化方法来识别情感，以分类对话情感，实验表明，该方法取得了显著的改进，最佳模型在测试集上达到了 76.77％的 F1 分数。

    Jun, 2019

  • PetKaz 参与 SemEval-2024 任务 3：利用 LLM 在对话中提取情绪 - 原因对进行情绪分类的创新

    本文以 SemEval-2023 任务 3 “对话中多模态情绪因果分析竞赛” 的参赛报告为基础，着重从对话中提取情绪 - 原因二元组。具体而言，我们的方法通过结合经过微调的 GPT-3.5 实现情绪分类和基于 BiLSTM 的神经网络实现原因检测。在子任务 1 的排名中，我们获得第二名，并通过最高加权平均比例 F1 分数 0.264 展示了我们方法的有效性。

    Apr, 2024

  • EmotionX-IDEA: 情感 BERT—— 一种面向对话的情感模型

    本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

    Aug, 2019

  • 对话 LLM：面向情感识别的对话中的上下文和情感知识调整的 LLaMA 模型

    使用多模态信息、上下文和情感知识调整的对话型大型语言模型 (DialogueLLM)，通过对 13,638 个多模态（文本和视频）情感对话进行微调，克服了大型语言模型在情感识别方面的局限性，并在三个基准情感对话识别数据集上进行了全面评估。

    Oct, 2023

  • 基于 Transformer 的对话情绪识别的神经网络

    ISDS-NLP 团队在 SemEval 2024 任务 10 中提出了 EDiReF 方法，采用了掩码语言模型和因果语言模型两种不同的方法，研究了多语种设置下对情感进行预测的效果，并发现掩码语言模型在句子级情感分类方面的性能优于 Mistral 模型。

    May, 2024

  • SEMEVAL-2019 任务 3 中的 NELEC: 深入之前三思

    NELEC 是一种将文本和深度学习方法优雅地结合起来的系统，用于情感分类，可以应用于具有情感杂音的聊天数据，该系统在 SemEval-2019 比赛中表现明显优于基线和深度学习模型，并以 0.7765 的微平均 F1 分数排名第三。

    Apr, 2019

  • 简单模型同样有效：一种基于课程学习策略的文本对话情绪识别网络

    我们提出了一种基于课程学习策略的新型情感识别网络（ERNetCL），它通过结合前期方法的优点以简洁的方式高效地捕捉对话中的时序和空间上下文信息，并利用课程学习的思想逐步优化网络参数。在四个数据集上进行的大量实验表明，我们的方法有效地击败了其他基准模型。

    Aug, 2023

  • 上下文感知孪生网络在会话中高效的情感识别

    通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

    Apr, 2024

  • LyS 在 SemEval-2024 任务 3 中：基于图解析的端到端多模态情绪链接的早期原型

    我们参与了 SemEval 2024 任务 3，重点研究了对话中的多模态情绪因果分析。我们设计了一个早期原型系统，使用基于图的依存解析方法来识别多方对话中的因果情绪关系。我们的模型包括一个基于神经变换器的编码器，用于提供多模态对话数据的语境，以及一个基于图的解码器，用于生成因果图的邻接矩阵得分。在 Subtask 1 中，我们在 15 个有效和官方的提交中排名第 7，仅使用文本输入。在后期评估中，我们还讨论了在 Subtask 2 中使用多模态输入的参与情况。

    May, 2024