Aug, 2019

EmotionX-IDEA: 情感 BERT—— 一种面向对话的情感模型

PDF
TL;DR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。
bertemotion recognitiondialoguecontext-aware understandingf1 score
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

  • 基于 BERT-Max 的情感上下文分类器：EmotionX-KU

    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

  • 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

  • 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

  • 情感识别和生成对话的统一框架

    本文提出了一种多任务框架，该框架联合识别对话的情感并根据所识别的情感生成响应，我们利用基于 BERT 的网络来创建一种共情系统，并使用混合目标函数来训练端到端网络，包括分类和生成损失函数，实验结果表明，我们的多任务框架优于现有的最先进模型。

    May, 2022

  • EmoBERTa: 基于 RoBERTa 的说话者感知对话情感识别

    本篇论文介绍了一个简单而精准的方法 EmoBERTa，它可以通过将说话者的名字置于话语前，并在对话中插入分隔符，以学习预测当前说话者的情感状态。实验结果表明，EmoBERTa 可以在两个流行的情感识别数据集上达到新的最佳表现。

    Aug, 2021

  • DialogueBERT：基于自监督学习的对话预训练编码器

    本文介绍了一种基于 BERT 的上下文对话编码器 DialogueBERT，通过五个自超监督学习预训练任务学习对话表述的特殊性，并整合了四个不同的输入嵌入来捕捉话语之间的关系，该模型在意图识别、情感识别和命名实体识别等三个下游对话理解任务中表现出优异性能。

    Sep, 2021

  • BERT-ERC：基于 BERT 的微调已足以在会话情感识别中使用

    提议一种新方法，将语境信息和对话结构信息纳入 “pretrained language models”（PLMs）的微调步骤，来代替先前的两步骤方法，以提高情感识别效果。在新方法下开发的 BERT-ERC 模型在四个数据集上比现有方法均有显著提升，并可适用于多种情境。

    Jan, 2023

  • 通过 BERT 模型进行集成，模拟社交媒体会话文本中的披露和支持

    本文介绍了一个预测性集成模型，利用 RoBERTa 和 ALBERT 软件对 CL-Aff 数据集中 Reddit 评论进行了分析，并展示了比基础模型更好的性能，并揭示出更深刻的数据集特征。

    Jun, 2020

  • 对比和生成使 BART 成为一个良好的对话情感识别器

    利用监督对比学习和响应生成的任务来提高语境信息处理和识别相似语义表情的能力，同时采用预训练的编码解码模型 BART 作为主干模型，对话情感识别结果明显优于最先进的模型，这一有效性通过割除研究进一步证实。

    Dec, 2021