本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

Aug, 2019

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

研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

May, 2023

该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

Dec, 2023

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

本文介绍了我们通过深度学习和使用 BERT 模型的方法，在 EmotionX-2019 和 SocialNLP 2019 的共享任务中，对来自电视节目 Friends 和 Facebook 聊天记录 EmotionPush 的每个话语的情感进行了识别，并通过微平均 F1 分数对模型性能进行了评估，得到了同类中的第三名。

Jul, 2019

本篇论文介绍了一个简单而精准的方法 EmoBERTa，它可以通过将说话者的名字置于话语前，并在对话中插入分隔符，以学习预测当前说话者的情感状态。实验结果表明，EmoBERTa 可以在两个流行的情感识别数据集上达到新的最佳表现。

Aug, 2021

使用在大规模的 Twitter 语料库上预训练并在我们任务上进行微调的基于注意力机制的 BERT 架构，有效地进行对社交媒体对话中的个人攻击和逻辑偏离行为的预测，此模型相较于我们作为基准所使用的 LSTM 模型表现出明显的优势。此外，通过综合过采样技术，可在相对较小的新颖数据集上进行微调，并减轻过度拟合问题。通过引入基于 Transformer 的模型，使该研究为预测 Twitter 上对话事件的实用工具奠定基础，以鼓励更好地互动在最普遍的社交媒体平台之一。

Nov, 2023

ISDS-NLP 团队在 SemEval 2024 任务 10 中提出了 EDiReF 方法，采用了掩码语言模型和因果语言模型两种不同的方法，研究了多语种设置下对情感进行预测的效果，并发现掩码语言模型在句子级情感分类方面的性能优于 Mistral 模型。

May, 2024

提议一种新方法，将语境信息和对话结构信息纳入 “pretrained language models”（PLMs）的微调步骤，来代替先前的两步骤方法，以提高情感识别效果。在新方法下开发的 BERT-ERC 模型在四个数据集上比现有方法均有显著提升，并可适用于多种情境。

Jan, 2023