IJCAIJun, 2019

基于 BERT-Max 的情感上下文分类器：EmotionX-KU

PDF
TL;DR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。
contextual emotion classifiertransferable language modeldynamic max poolingclass imbalance problemdomain adaptability
发现论文，激发创造
  • EmotionX-HSU: 采用预训练的 BERT 进行情感分类

    本文介绍了我们通过深度学习和使用 BERT 模型的方法，在 EmotionX-2019 和 SocialNLP 2019 的共享任务中，对来自电视节目 Friends 和 Facebook 聊天记录 EmotionPush 的每个话语的情感进行了识别，并通过微平均 F1 分数对模型性能进行了评估，得到了同类中的第三名。

    Jul, 2019

  • 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

  • 文本对话情感检测的知识增强 Transformer

    本文提出了一种知识增强型 Transformer (KET) 模型，结合分层自注意力机制和上下文感知情感图注意力机制，成功解决了分析对话中情绪所面临的常识和上下文理解问题，实验结果表明 KET 模型在情感检测方面表现良好，F1-score 明显高于当前最先进的模型。

    Sep, 2019

  • 应急呼叫中心对话中基于多尺度上下文学习的语音情绪识别

    对话情感识别中，多尺度对话语境学习方法应用于紧急呼叫录音的文本方式可以增强性能，但融入声学语境更具挑战性。

    Aug, 2023

  • 情感对话中的自我关注双向 LSTM 模型 EmotionX-DLC

    提出了 SA-BiLSTM 网络，用于 EmotionX 挑战中多情感预测，其联合运用双向 LSTM 和自我注意力网络实现对话语境下模糊情感的分类，测试集中在 Friends 和 EmotionPush 数据集上分别获得 59.6 和 55.0 的不加权准确度。

    Jun, 2018

  • 上下文解锁情感：基于文本的情感分类数据集在大型语言模型中的审计

    利用大型语言模型的表达能力，为输入文本合成额外的上下文，以增加其与带有注释的情感标签的关联性。通过提出文本上下文的形式化定义，并使用提示策略增强这种上下文信息，我们通过人工评估和实证评估证明了我们的方法改善了输入和人工注释标签之间的关联性。

    Nov, 2023

  • 非固定长度对话情感检测

    本研究提出了一种利用特定的上下文窗口，包括两种具体建模方法和一种合适的规范化方式，用于在多个公共数据集上预测情感的方法。

    Feb, 2023

  • TEII: 跨语言情感检测中的思考、解释、交互和迭代

    我们参与了 Explainability of Cross-lingual Emotion Detection（EXALT）共享任务，在情感检测子任务的评估集上实现了 0.6046 的 F1 分数，超过基准模型 0.16 个 F1 分数，并在竞争系统中排名第二。我们通过使用 Fine-tuning、Zero-shot learning 和 Few-shot learning 方法在基于 Large Language Model（LLM）和非 LLM 的技术中，包括嵌入式的 BiLSTM 和 KNN 进行实验。此外，我们引入了两种新方法：多次迭代代理工作流和多二元分类器代理工作流。我们发现 LLM 方法对多语言情感检测提供了良好的性能。此外，将所有实验模型组合起来的集成模型比任何单一方法都有更高的 F1 分数。

    May, 2024

  • 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

  • 情感感知的 Transformer 编码器用于共情对话生成

    该研究提出了一种基于情感感知的 Transformer 编码器，用于生成类人的同情回应，将语义和情感方面集成到输入话语中。在 Facebook AI 共情对话数据集的实验中，该模型相比现有方法生成的回应具有更高的 BLEU-4 得分，这表明情感智能的虚拟代理现在已成为现实，并且未来在所有人机接口中都将包括情感作为一种模态。

    Apr, 2022