COLINGOct, 2020

基于 Transformer 网络的社交媒体投诉识别

PDF
TL;DR本研究旨在探索使用最新预训练的神经语言模型与语言信息的组合来自动识别社交媒体投诉。我们评估了一系列以 transformer 网络为基础的神经网络模型，结果表明我们的模型在公开数据集上表现出色，F1 宏平均值高达 87。
complaintssocial medianeural networkstransformer networkslinguistic information
发现论文，激发创造
  • 社交媒体中的投诉自动识别

    本文针对社交媒体文本中的投诉行为进行了系统的语言学分析，基于 9 个领域的数据，使用多种基于特征和神经网络的机器学习模型，最终取得了最高 79F1 的预测性能，其结果可供相关机构或企业作为提升客户体验的依据。

    Jun, 2019

  • 社交媒体投诉严重性建模

    本篇论文是第一次在计算语言学领域研究投诉的严重程度等级，在公开数据集中加入四个严重程度等级并采用不同的基于 transformer 的网络结构和语言信息来训练模型，在二进制投诉检测和投诉严重程度等级多任务设置的联合模型中达到了最新的最优结果，最后提供了模型预测投诉严重等级的定性分析。

    Mar, 2021

  • 分析社交媒体上的投诉强度

    本文是计算语言学领域中第一次尝试，旨在从文本中确定投诉的强度，并创建了包含 3,103 条微博发布的汉语数据集。本文发现可以通过计算模型准确地估计投诉强度，并证明了其可以提高社交媒体上帖子受欢迎程度的估计。

    Apr, 2022

  • 社交媒体平台上基于投诉的推文识别的迭代方法

    本文提出了一种迭代方法，可以识别与交通领域有关的投诉帖子，并进行全面评估和发布新数据集，以改进机构服务。

    Jan, 2020

  • 口语客服对话中用户请求和抱怨的预测

    该研究通过使用 HealthCall 数据集，评估了自动预测用户请求类型和检测投诉等两项客户关系管理任务，并探索了 14 种特征集作为输入。结果显示，语言特征总是提供最佳结果，并且 Wav2Vec 2.0 特征似乎比 ComPaRe16 特征更适用于这两项任务。嗓音互动特征在使用仅六个特征时在投诉任务上取得了 57% 的成果。

    Jul, 2022

  • 使用图形转换网络和社交上下文预测 Reddit 上的仇恨性讨论

    本研究提出了一种系统来预测社交媒体平台上有害讨论，该解决方案使用上下文深度语言模型，并提出将最先发帖后的所有对话分析整合到最先发帖中，同时支持适应未来评论的分析。此外，将探讨针对特定社区的仇恨言论的分析是否会导致更有效的检测。我们从各种社区的 333,487 个 Reddit 讨论评估了我们的方法，发现社区特定建模将性能提高了两倍，并且捕捉更广泛的讨论背景的模型相对于有限背景的模型精度提高了 28％（最仇恨的内容提高了 35％）

    Jan, 2023

  • 探究语音情感识别变形金刚在语言知识方面的应用

    本文研究了使用 self-attention layer（transformers）预先训练的神经网络在情感识别中的表现，并发现这些模型成功利用语言信息来提高其 valence predictions，在测试他们时应包括对语言分析。

    Apr, 2022

  • 级联跨模态变压器对于请求和投诉检测

    我们提出了一种新颖的级联跨模态变换器（CCMT），结合语音和文本转录以检测电话对话中的客户要求和投诉。我们的方法利用多模态范例，通过使用自动语音识别（ASR）模型转录语音并将转录成不同语言。随后，我们将语言特定的基于 BERT 的模型与 Wav2Vec2.0 音频特征结合使用在一个新颖的级联交叉注意力变换器模型中。我们将我们的系统应用到 ACM Multimedia 2023 计算言语学挑战赛的请求子挑战中，分别对于投诉和请求类别达到了 65.41％和 85.87％的非加权平均召回率（UAR）。

    Jul, 2023

  • 基于变压器模型的社交媒体压力和抑郁识别校准

    使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

    May, 2023

  • 轮询潜在观点：使用变换器语言模型的计算机社会语言学方法

    使用 Transformer Language Models 等方法对 Yelp 评论进行语言行为学习，并利用 prompt-based queries 生成合成文本以分析特定观点，证明即使在缺乏特定关键词的情况下，这些模型也能准确产生具有正确情感的大量文本。

    Apr, 2022