Nov, 2019

基于潜变量链转换的多标签情感分类 Seq2Emo

PDF
TL;DR本文提出了一个 Latent Variable Chain (LVC) 转换和 Seq2Emo 模型，它不仅可以自然地预测多重情感标签，还考虑了它们之间的相关性，从而取得了比现有最先进方法更好的结果。
emotion detectiontext classificationmulti-label classificationseq2emo modelcorrelations
发现论文，激发创造
  • Emo2Vec: 多任务训练学习情感通用表示

    本文提出了 Emo2Vec 模型，将情感语义编码为向量。通过训练多任务的方式进行六种不同的情感相关任务来训练 Emo2Vec，包括情感 / 情绪分析，讽刺分类，压力检测，恶意语言分类，侮辱探测和人格识别。我们的评估表明，Emo2Vec 在比现有的情感相关表示法（例如 Sentiment-Specific Word Embedding 和 DeepMoji embeddings）更小的训练语料库上表现更好。当与 GloVe 拼接时，Emo2Vec 在使用简单逻辑回归分类器的几项任务中取得了与现有最优结果相竞争的表现。

    Sep, 2018

  • 将多标签情感分类视为跨度预测的演员情感：SpanEmo

    提出了一种名为 SpanEmo 的新模型，将多标签情感分类视为跨度预测，并引入专注于对输入句子中多重共存情感进行建模的损失函数，实验证明了我们方法在提高模型性能和学习情感类别与句中单词之间有意义的关联方面的优势。

    Jan, 2021

  • 增强情感语义学习的多标签增量情感解码

    提出了一种增强的情感语义学习框架，用于多标签类别增量情感解码，通过标签消歧和知识蒸馏解决了部分标签问题和遗忘问题，实验证明该方法在提高情感解码性能和减轻多标签类别增量学习中的遗忘问题方面优于现有方法。

    May, 2024

  • 多标签环境中的标签相关性利用：情感分析案例研究

    论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。

    Oct, 2022

  • 一种深度强化序列到集合模型用于多标签文本分类

    本文提出了一种利用深度强化学习的新型序列到集合框架，不仅可以捕捉标签之间的关联性，而且还可以减少对标签顺序的依赖，实验结果表明我们提出的方法明显优于竞争基线。

    Sep, 2018

  • 朝向基于情绪的合成意识：使用 LLMs 估计情绪概率向量

    利用 LLMs（大型语言模型）估计与文本相关的情感状态摘要。通过对亚马逊产品评论的情感分析，将情感描述符映射到 PCA 类型的空间中，并探索通过尾部提示来引发改进当前文本状态的行动描述，然而实验结果表明这并不是一项直接可行的任务。

    Oct, 2023

  • EmoNets: 多模深度学习方法用于视频情感识别

    本研究使用深度学习技术，以多模态方式，使用面部检测、音频流等模态，探索影片情感识别模型，成果在 2013 年的 EmotiW 挑战中成为获胜者，并在 2014 年的数据集上实现了约 47.67% 的准确率。

    Mar, 2015

  • EmoLLMs：一系列用于全面情感分析的情感大型语言模型和注释工具

    基于指令数据微调各种 LLMs 的 EmoLLMs 系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的 LLMs、ChatGPT 和 GPT-4，具有与 ChatGPT 和 GPT-4 相当的情感分析自动化标注工具的广泛应用能力。

    Jan, 2024

  • 抑郁情绪多标签分类的新颖数据集

    通过对 DepressionEmo 数据集进行情感、时间分布和语言分析，并使用文本分类方法，特别是 BERT 模型，研究表明该数据集在通过文本分析来识别抑郁症患者的情感上具有一定的价值，其中自杀意图情感所达到的最高 F1-Macro 值表明了这一点。

    Jan, 2024

  • 改进的文本情感预测通过结合价值和唤醒序列分类

    这篇论文介绍了一种从文本中分类情绪的方法，它针对各种情绪的多样性进行了差异化的识别，通过训练基于 Transformer 的模型建立了基准分类模型，并通过序数分类模型在情绪空间中考虑了情绪的价值和激活水平，结果表明该方法不仅能够准确预测情绪，而且在错分情况下显著降低了错误的程度。

    Apr, 2024