神经个人辨别的情感检测

EMNLPAug, 2019

Emotion Detection with Neural Personal Discrimination

Xiabing Zhou, Zhongqing Wang, Shoushan Li, Guodong Zhou, Min Zhang

TL;DR本文提出了一种新的情感预测方法 —— 神经个性化识别 (NPD)，通过对社交媒体用户的个人属性进行分析，找到具有相似个人属性的用户，从而更好地捕捉不同帖子之间的社会关系，并采用注意机制和对抗判别器来判断个人属性，实验结果表明，该方法在捕捉个人属性方面具有显著优势，可以更准确地预测社交媒体上的情感。

Abstract

There have been a recent line of works to automatically predict the emotions of posts in social media. Existing approaches consider the posts individually and predict their emotions independently. Different from previous researches, we explore the dependence among relevant posts via th

emotion prediction social media personal attributes neural personal discrimination adversarial discriminators

发现论文，激发创造

社交媒体帖子的情绪检测

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023

社交情感挖掘技术用于 Facebook 帖子反应预测

本研究旨在探究预测用户在 Facebook 页面上对超市等企业发布文章的反应的方法，通过收集帖子和反应构建一个数据集并使用神经网络和基线情感分析方法进行分析，最终的模型可以准确地预测文章的反应分布。

Dec, 2017

一种个性化情感记忆神经模型，用于提高情感识别能力

本论文提出了一个基于有条件的对抗自动编码器的神经模型和增长可变网络的方法，用于识别和区分个性化和在线面部表情的情绪，取得了最先进的表现，还包括削减研究和神经可视化，以解释我们的模型行为。

Apr, 2019

社交网络服务文档中引起情感识别差异的表达方式

本文提出一种基于 BERT 的检测框架，能够检测出导致作者和读者之间情感识别差异的句子，并分析出这些句子所具有的表达特征。采用日语 SNS 文档数据集，该检测器探测出了 AUC=0.772 的 'hidden-anger sentences'。在分析表达特征后，如果隐含的愤怒被指出，那么就可能猜测出作家的情感状态，从而有效地解决由误解引起的问题。

Aug, 2022

利用自然语言学习个性特征的神经网络

本研究使用神经网络和分布式算法来提取文本的隐藏性信息，研究人员从心理学文献定义的五大人格特征（Big Five）的形容词词典开始，并构造了包含文本语义信息的嵌入，证明了个人写作风格与其人格特征密切相关。

Feb, 2023

机器学习算法在抑郁症检测中的应用及比较

通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 2023

利用基于机器学习的模型进行个性识别

本文提出一种基于深度学习的方法，结合了卷积神经网络和 AdaBoost 算法对人格进行自动识别，并在 Essay 数据集上得到了比机器学习和深度学习方法更优的实验结果。

Jan, 2022

基于注意力的社交媒体文本个性检测去噪框架

基于社交媒体文本的个性检测 —— 注意力机制下的信息提取与去噪框架的研究

Nov, 2023

利用 Facebook 反應進行情緒偵測的遠距監督

利用 Facebook 反应特性以远程监督的方式训练支持向量机分类器进行情感检测，通过不同特征组合和不同 Facebook 页面的结合，并在现有情感检测基准上进行测试，证明通过只采用完全自动化的信息来进行训练（而不依赖于手工制作的词典），可以获得具有竞争力的结果。结果还表明，在针对目标领域进行 Facebook 页面的收集方面，有很大的改进空间。

Nov, 2016

EERPD：利用情绪和情绪调节提升个性检测

基于情绪调节的新的个性预测方法 EERPD 组合情绪特征和个性特征，从文本中提取少样本示例并提供 CoTs 过程，改善个性预测表现，显著提高了个性检测准确性和鲁棒性。

Jun, 2024