本研究旨在提高文本情感分类在 GoEmotions 数据集上的性能，解决在自然语言处理中检测微妙情感的挑战，并为未来研究提供有价值的见解和方向，包括合成该领域不同数据集上的方法和性能的综述论文的潜力。

Mar, 2024

在自然语言处理中，从文本输入进行情感分析既具有挑战性又有趣。然而，由于低水平语言（即泰米尔语）中的数据集缺乏，难以在这一领域进行高水平的研究。因此，我们介绍了这个标注数据集（一个包含超过 42k 个泰米尔 YouTube 评论的最大手动注释数据集，标注 31 种情绪，包括中立情绪）用于情绪识别。这个数据集的目标是改善泰米尔语中多项下游任务的情绪检测。我们还创建了三种不同的情感分组（3 类，7 类和 31 类），并在每个分组的类别中评估了模型的性能。我们的 MURIL-base 模型在我们的 3 类组数据集上达到了 0.6 的宏平均 F1 分数。在 7 类和 31 类组中，随机森林模型的宏平均 F1 分数分别为 0.42 和 0.29。

Feb, 2022

本研究利用 GoEmotions 和 Vent 两个情感分类的大型数据集，通过多种特征空间和学习算法设计了一个基准测试，并在 BERT 基础上提出了两个简单却有效的模型，超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异，证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。

Sep, 2021

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

介绍了 StockEmotions 数据集，其中包括股票市场的情感情绪分类和时间序列数据，通过 NLP 技术和 LSTM 模型处理，可以提高金融情感分类和多元时间序列预测的性能。

Jan, 2023

使用 GoEmotions 数据集评估情感分析模型的效能并扩展研究范围，发现 RoBERTa 模型在细粒度情感分类任务上表现出色，推动了情感分析能力的发展。

May, 2024

我们引入了 FindingEmo，一个新的图像数据集，包含对 2.5 万张图片的注释，专门用于情绪识别。与现有数据集相反，它专注于描绘多个人物在各种自然、社交环境中的复杂场景，注释是整体进行的，超越了传统对人脸或单个人的关注。注释的维度包括情感价值、情感激动和情绪标签，使用 Prolific 收集注释。除了注释，我们还发布了指向原始图片的 URL 列表，以及所有相关的源代码。

Feb, 2024

近年来，情绪原因分析引起了研究人员的关注。为了填补现有数据集在规模和情绪类别数量上的限制，并提供更具抽象性和可推广性的根本原因，我们引入了一个由 1500 万个清理后的推文构成的大规模情绪原因数据集。我们描述了我们的筛选过程，其中包括全面的数据收集、清理、标记和验证流程，以确保数据集的可靠性和丰富性。我们提取情绪标签，并提供导致情绪的事件的抽象化摘要。最终的数据集包括超过 70 万个推文和对应的情绪 - 原因对，涵盖了 48 个情绪类别，并由人工评估员进行了验证。我们数据集的新颖之处在于它涵盖了广泛的情绪类别，并提供了抽象的情绪原因，从而促进了情绪 - 原因知识图谱的细致推理。我们的数据集将使得能够考虑不同人对同一事件的多样化情绪反应的情绪感知系统的设计成为可能。

Jun, 2024

介绍了一个超过 7000 个波斯语句子的人工标注情感数据集 ——ArmanEmo，该数据集基于 Ekman 的六种基本情感和 “其他” 类别标注，同时提供了基于现代语言模型的情感分类基线模型。实验结果表明，该数据集具有超越现有波斯语情感数据集的更好泛化能力。

Jul, 2022

本文介绍了一个新的图像数据集，旨在鼓励进一步研究视觉情感分析。 在此数据集上进行了广泛的基准测试分析，包括使用卷积神经网络等最新方法，证实了手工调整特征的有效性以及由于缺乏数据而导致的视觉情感分析发展滞后的挑战。

May, 2016