KDDJul, 2020

Emoji 预测：扩展和基准测试

PDF
TL;DR本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。
emojisemoji predictiontransformer networksmulti-label classificationbert models
发现论文，激发创造
  • 使用 Transformer 模型进行 Emoji 预测

    本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

    Jul, 2023

  • 多模态表情符号预测

    研究了一种基于多模态方法的表情符号预测技术，通过结合图片和文本信息可以更准确地进行表情符号预测，并发现这两种模态的信息能够相互补充从而提高预测准确性。

    Mar, 2018

  • 使用数百万个表情符号出现次数来学习用于检测情感、情绪和讽刺的任意领域表示

    本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

    Aug, 2017

  • 表情符号是否可预测？

    本研究探究了文字和表情符号之间的关系，并使用长短期记忆网络等多种模型预测文本信息所触发的表情符号，而实验结果表明，计算模型比人工能更好地捕捉表情符号的潜在语义。

    Feb, 2017

  • EmojiLM: 建模新的表情符号语言

    通过从大型语言模型合成大规模的文本 - 表情符号平行语料库，并在此基础上提取面向文本 - 表情符号双向翻译的序列到序列模型，我们的研究在公共基准测试和人工评估中表现出优于强基准模型的性能，且平行语料库对与表情符号相关的后续任务有益。

    Nov, 2023

  • 通过时间变化镜头探索表情符号使用和预测

    本文探讨了 Emoji 图标的使用和语义，并通过比较不同时间的语料库，证明不同时间的 Emoji 图标的使用情况是不同的。此外，我们提出了一种考虑时间因素的 Emoji 预测系统，这种系统在性能上优于现有的系统，并可以显著提高某些 Emoji 图标的准确性。

    May, 2018

  • 多模态情感分类

    本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

    Mar, 2019

  • 基于表情符号的情感转移学习

    该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

    Feb, 2021

  • 基于表情的表示学习在跨语言情感分类中的应用

    本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。

    Jun, 2018

  • 面带微笑，心情愉悦 :) 基于 Emoji 的视觉情感分析

    本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

    Jul, 2019