对话式迁移学习用于情感识别
基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性,证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。
Apr, 2023
介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后,对关键 ERC 工作进行了描述和基准测试,并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。
Nov, 2022
通过深度学习模型,本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务,取得了 57.71 的宏 F1 得分,相较于相关研究有了显著的提升。
Apr, 2024
通过大型语言模型,我们提出了一种名为 InstructERC 的新方法,将情绪识别对话(ERC)任务从辨别性框架改为生成性框架,通过引入简单而有效的检索模板模块以及两个额外的情绪对齐任务,显式地整合多层次的对话监督信息和隐含的对话角色关系和未来情绪趋势,从而显著提高了性能,在三个常用的 ERC 数据集上达到了全面的 SOTA 水平。
Sep, 2023
基于向量连接的跨模态融合情感预测网络,包括多模态特征融合阶段和基于融合特征的情感分类阶段,同时设计了基于情感标签的监督式跨类对比学习模块,实验证实了该方法的有效性,并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。
May, 2024
本研究提出了一种以情绪识别为中心的混合课程学习框架,其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力,我们观察到该模型跨多个 ERC 数据集显著提高了性能,达到了新的最先进水平。
Dec, 2021
情感识别技术在人工智能领域中有着广泛的应用,并且在自然语言处理中被广泛研究。本文讨论了情感识别技术在对话中所面临的挑战和最近的研究进展,同时讨论了现有方法所存在的不足和失败原因。
May, 2019
提出了一个分布式框架,将自动情感识别作为序列到序列问题来解决,通过引入贝叶斯训练损失来改善情感分布的不确定性估计,从而更好地处理情感标签的不确定性,实验结果表明,分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。
Nov, 2022
本文提出了一个将闲聊型情绪识别模型转变为面向任务型的框架,通过改进稀有情绪的增强方法、将对话状态作为辅助特征以及设计多任务学习目标和情绪 - 距离加权损失函数来显著提高模型性能,并在 EmoWOZ 数据集上进行了验证。该模型具有强大的零样本能力,可在更广泛的场景中应用。
Aug, 2023
提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER,通过融入上下文信息、交往者情感以及常识知识等要素,可以更加准确地识别对话中的情感表达,明显超过当前最优解。
Jul, 2022