本文介绍了我们参加 SocialNLP 2020 和 EmotionGIF 2020 的比赛时采用的一种基于关注机制双向 GRU 网络的分类模型以及采用深度神经网络和集成学习技术进行的分类方法。通过两个比赛，我们的模型均取得了最佳的平均召回率得分。

Dec, 2020

该论文主要介绍了 2020 年 ACL 会议上举办的 EmotionGIF2020 比赛及其数据集（包含 40,000 条带有反应表情的推文），旨在预测用户对于在线文本的情感反应，并评估了参赛队伍的表现，获胜队伍再 Recall@K 指标下的得分为 62.47%。

Feb, 2021

在这项研究中，我们提出了一个多模态框架，整合了视觉和文字特征来预测 GIF 表情的情感，并结合面部情绪检测和 OCR 生成的字幕来捕捉 GIF 的语义方面。通过在 Twitter GIF 上进行实验，我们的分类器达到了 82.7% 的准确率，优于最先进的模型。此外，我们基于 ReactionGIF 数据集进行研究，分析了作者和读者感知的情感差异。

Dec, 2023

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

本文提出了一种方法，通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中，构建了一个平衡的数据集。在这个扩展数据集上，我们研究了支持向量机（SVM）和双向编码器表示转换器（BERT）在情感识别中的应用，并提出了一种将两种模型结合的新型集成模型。实验结果表明，该模型在推特情感识别中实现了 0.91 的准确率。

Aug, 2022

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

本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

Dec, 2022

本文介绍了一种基于人类视觉注意力机制和关键点的 GIF 情感识别网络，并证实了利用 GIF 图像中的人类信息能够显著提升识别性能。

Apr, 2019

研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

Feb, 2023

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％。

Jul, 2020