Jul, 2019

幸福语义：自动化健康建议

PDF
TL;DR通过分析用户记载的短文本，该论文提出了一种系统化的方法来帮助用户提高幸福感。该方法使用神经网络模型并重点分析短文本中与心理学相关的特征，最终输出有关行动建议是否适合该用户的决策，以期提高其整体的幸福感。
happinesspsychologyself-reportingneural networkwell-being
发现论文，激发创造
  • HappyDB: 一个由 10 万个众包快乐时刻组成的语料库

    本文描述了一个名为 HappyDB 的数据集，该数据集旨在帮助研究人员通过 NLP 技术理解人们如何描述他们的快乐时刻，并从中应用科学幸福的发现来制定增加人类幸福感的行为。

    Jan, 2018

  • 和谐共处：从自然语言学习和理解评价

    本文利用 HappyDB 数据集，探讨了利用深度神经网络中的单向或双向长短时记忆网络，加入或不加入注意力机制以及各种嵌入方法，学习基于 happy 语言中作者的 'agency' 和 ' 社交性 ' 两种类型的评估成分的各种方法，并与传统机器学习方法进行了比较，得出了 accuracy 最高时分别为 87.97% 和 93.13% 的结论。

    Jun, 2019

  • 检测日常对话中的用户参与度

    本文提出了一种语音情感识别技术的新应用：估算语音通信系统用户之间对话参与程度的水平，使用机器学习技术，如支持向量机（ SVM ）对用户的情感进行分类；结果表明，使用基于耦合的隐马尔可夫模型的多层结构来建模具有时态和交互特性的对话参与程度是可行的。

    Oct, 2004

  • 将日常活动与个性对齐：面向改善幸福感的推荐系统

    提出了一种新颖的方法，通过最大化活动和个性特征之间的一致性，推导个性化的活动建议，以改善主观幸福感，研究结果表明，此方法能够准确推断出对于特定用户有益或有害的活动，并且所推导的建议在现实世界中的成效显著。

    Sep, 2019

  • 基于情感和语义的文本对话情感检测方法

    本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。

    Jul, 2017

  • 通过经验文本表示的语义特征实现文本蕴涵识别

    本文提出了一种新的基于阈值的语义文本表示方法，并结合机器学习算法应用语义和词汇特征对文本 - 假设对进行分类，该技术有效地丰富了文本的语义信息，在文字蕴涵分类任务中在意义理解方面的表现明显优于已知方法

    Oct, 2022

  • 基于人类行为的个性化膳食推荐和菜单规划社交系统

    传统的膳食推荐系统通常只考虑营养或健康，忽视了人们对食物的感受。本研究提出了一种基于社交情感计算的饭菜推荐和菜单规划框架，可以识别不同食物对人的情感影响，并结合营养需求生成饭菜推荐与个性化菜单规划。实验证实了该框架在各项评估参数上的良好表现。

    Aug, 2023

  • 全球社交网络中幸福和信息的时间模式：Hedonometrics 和 Twitter

    通过分析 Twitter 上的在线表达，使用 hedonometer 实时远程测量了幸福感，以单词使用频率为主要依据建立了高度稳健的度量方法。

    Jan, 2011

  • 选择与排序多跳知识路径以更好地预测人类需求

    研究了情感分析中的常识知识对于理解表达情感的重要性，并提出了一种新方法来提取和排名人类需求的多跳关系路径，从而有效地提高了情感分类的性能。

    Apr, 2019

  • 利用语音情感识别和推荐系统处理治疗聊天机器人中的负面情绪

    提出了一种通过增强语音感知能力来提升治疗聊天机器人对用户情绪理解和人性化回应的方法，该方法使用卷积神经网络（CNN）模型和 ShEMO 数据集的语音情感识别（SER）技术来准确检测和分类负面情绪，包括愤怒、恐惧和悲伤，并使用 SER 模型和 GloVe、LSTM 模型相结合的推荐系统生成个性化管理负面情绪的建议，同时将 GlowTTS 文本到语音模型整合到一起，使治疗聊天机器人能够用英语和波斯语将生成的建议以声音形式传达给用户，最终提高了英语和波斯语用户心理健康支持的交付效果。

    Nov, 2023