通过引入情感方面的三种新方法,可以改善神经会话模型的自然语言处理能力,实现更加丰富、有趣和自然的情感化响应。
Sep, 2017
研究新架构用于情感分析的任务,结合了大规模的 MEGA-DT treebank 以及基于混合 TreeLSTM 分层注意模型的神经架构,通过情感相关的话语增强情感预测性能,实验结果显示,性能优于使用先前基于人类注释数据训练的良好建立的话语解析器的方法,同时演示了一个简单的组合方法如何进一步增强性能。
Nov, 2020
通过构建基于词汇谓词函数和谓词参数的情感模型,该文章使用第一人称日记作为研究主体,提高了对日常事件第一人称情感反应的预测准确率。
Aug, 2017
本文介绍了一种能够控制情感内容的情感驱动对话系统的方法,通过使用连续的情感表示来模拟词和句子级别的情感,并在推理过程中使用重新排名程序来获取最具情感相关性的响应。
Apr, 2019
本文提出了一种端到端情感丰富的神经对话模型,采用 VAD 注意机制将情感嵌入到每个单词中,并通过采用情感注意机制考虑了否定语和强化语的影响。最后,采用具有情感的目标函数训练模型,以产生具有情感丰富性的输出响应,得到人类的联合评估与基于困惑度的评估都优于同等规模的基线模型。
Nov, 2018
本研究旨在研究事件显著性(重要性)并提出两个基于内容相似性和语篇关系的显著性检测模型,经测试,两种方法明显优于强频率基线,同时神经模型通过大幅提高基于特征的模型而进一步改善。
Sep, 2018
本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型,并提出 Sent2affect 模型进行迁移学习。实验结果表明,我们的模型在 6 个基准数据集上表现出色,相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。
Mar, 2018
本研究介绍一种新的情感分析标注方法,提出一种基于自传故事纪录的情感分析的数据集,探索了使用基于规则的自动标注方法来标注情感及其语义角色,以便教练识别相关方面,并探讨了基于图结构的情感分析的未来方向。
Oct, 2022
通过对文本对话内容识别说话人的个性特征,人格识别对话(PRC)旨在为人机交互(HCI)的各种应用中提供个性化服务,如基于人工智能的心理治疗和老人陪伴机器人。然而,大部分最新研究分析对话内容进行人格分类时忽略了两个主要问题,即忽略反映说话人个性的情感等对话中的关键隐含因素,以及仅关注输入对话内容而忽略对个性本身的语义理解,从而降低结果的可解释性。在本文中,我们提出了一种情感自然语言推理(Affective-NLI)的方法,用于准确且可解释的 PRC。通过针对对话中情感识别的预训练语言模型进行微调,我们能够实时为话语进行情感注释,从而利用对话内容中的情感信息进行准确的个性识别。为了结果的可解释性,我们将个性识别问题形式化为自然语言推理问题,即确定文本描述的个性标签是否被对话内容所包含。在两个每日对话数据集上进行的广泛实验证明了 Affective-NLI 在性能上显著优于其他最先进方法(提升了 6% 至 7%)。此外,我们的流实验证明,通过超越其他最先进方法,Affective-NLI 能够在对话早期准确识别说话人的个性(提升了 22% 至 34%)。
Apr, 2024
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