本文提供了 Fake-EmoReact 2021 挑战赛的综述，在第 9 届 SocialNLP 研讨会与 NAACL 2021 联合举办。该挑战要求使用回复上下文和 EmotionGIF 数据集中的增强 GIF 类别预测推文的真实性。我们提供了包含 453k 多个实验材料的 Fake-EmoReact 数据集，其中每个推文都标有真实性。有 24 个团队注册参加了这个挑战，其中 5 个团队在评估阶段成功提交了结果。最佳团队在 Fake-EmoReact 2021 数据集上使用 F1 得分达到了 93.9。此外，我们展示了参与这个挑战的任务定义、数据收集以及团队的表现和方法。

May, 2024

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

本文介绍了 2019 年 EmotionX 挑战活动，该挑战活动在第七届自然语言处理社交媒体研讨会（SocialNLP）上进行。EmotionX 基于 EmotionLines 数据集，旨在预测口语和聊天式对话中的情感。在本次挑战活动中，有 36 个团队参加，其中 11 个团队成功提交了预测，并且得分最高的团队在口语和聊天式对话中的表现均达到了 81.5％和 79.5％。

Sep, 2019

通过利用在线的反应 GIF，本文提出了一种新的自动化方法，用于收集文本以及引发的情感标签。通过增加引发情感和引发情绪标签，该方法被用于创建和发布 ReactionGIF，这是一个 30K 推文的首个情感数据集，并提供三项新任务的基线，以拓展情感检测和情感计算的研究机会。

May, 2021

本文通过学习比赛的方式，提出一种基于 BERT 和 LightGBM 的学习排序框架，将推荐 GIF 类别作为一种匹配任务来解决，获得了平均精度 @6 (MAP@6) 为 0.5394 的第四名。

Aug, 2020

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

本研究旨在探究预测用户在 Facebook 页面上对超市等企业发布文章的反应的方法，通过收集帖子和反应构建一个数据集并使用神经网络和基线情感分析方法进行分析，最终的模型可以准确地预测文章的反应分布。

Dec, 2017

本文介绍了 2015 年 SemEval 共享任务，即推特情感分析。该任务为历年来最受欢迎的情感分析任务，共有超过 40 支团队参与。今年的任务共有五个情感预测子任务，其中两个为往年任务的重现，另外三个则为全新任务，旨在预测单个推特中对主题的情感、一组推特中对主题的总体情感以及短语先前极性的程度。

Dec, 2019

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

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