Sep, 2020

利用越南社交媒体特征进行越南文本情感识别

PDF
TL;DR研究表明，适当的基于越南社交媒体特征的预处理技术结合情感上下文的关键子句提取，可显著提高 MLR 的性能，达到最佳 F1 得分 64.40%, 比 UIT-VSMEC 作者构建的 CNN 模型 (59.74%) 提高了 4.66%。
发现论文，激发创造
  • 越南社交媒体文本的情绪识别

    通过构建一个包含 6927 个情感标注句子的越南社交媒体情感语料库，我们在情感识别领域探究了机器学习和深度神经网络模型的表现，发现使用 CNN 模型的全重 F1 - 分数最高可达 59.74%。

    Nov, 2019

  • 基于多种神经网络模型的越南社交媒体数据集的简单高效集成分类器

    使用深度学习模型和集成模型对社交媒体上的越南文本进行分类，实现了比之前研究更好的性能。

    Sep, 2020

  • 通过情感词典方法提高越南文本的情感分析

    本文提出一种将情感词典与分类模型相结合的方法，以提高情感分析任务的准确性，并实验证明此方法能够提高分类模型的性能。

    Oct, 2022

  • 社交媒体帖子的情绪检测

    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

  • 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

  • ViSoBERT：用于越南社交媒体文本处理的预训练语言模型

    本文介绍了首个用于越南社交媒体文本的单语言预训练语言模型 ViSoBERT，该模型使用 XLM-R 架构，在大规模高质量多样化的越南社交媒体文本语料库上进行预训练，并在越南社交媒体文本的情绪识别、仇恨言论检测、情感分析、垃圾评论检测和仇恨言论跨度检测等五个重要的自然语言下游任务中超越了之前最先进的模型。

    Oct, 2023

  • 机器学习算法在抑郁症检测中的应用及比较

    通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

    Jan, 2023

  • 深度学习与传统分类器在越南学生反馈语料库上的对比

    本研究使用机器学习和自然语言处理技术（NaiveBayes，Maximum Entropy，Long Short-Term Memory，Bi-Directional Long Short-Term Memory）对来自大学的越南学生反馈语料库进行情感分析，得出使用双向长短期记忆算法进行情感分类的结果最好，可帮助学校识别出问题并提出改进方法。

    Nov, 2019

  • SemEval-2020 任务 8：情感分析 -- 视觉语言隐喻！

    该研究针对社交媒体上流行的多模式互联网模因进行情感分析，人工标注了约 10,000 条模因标签，并涵盖情感和情感类型（讽刺，有趣，冒犯，积极影响）及其相应的强度，三项任务中分别取得了 F1 得分的最佳表现分别为 0.35、0.51 和 0.32。

    Aug, 2020

  • Optimize_Prime@DravidianLangTech-ACL2022: 泰米尔语情感分析

    本文旨在对泰米尔社交媒体评论进行情感分析，包括 11 个和 31 个特定类别的情感，通过使用转换器模型、循环神经网络和集成模型三种方法解决该问题，其中 XLM-RoBERTa 在第一个任务中表现最佳，宏平均 f1 得分为 0.27，而 MuRIL 在第二个任务中提供了最佳结果，宏平均 f1 得分为 0.13。

    Apr, 2022