ACLMar, 2021

PVG at WASSA 2021: 基于 Transformer 的多输入，多任务架构用于共情和痛苦预测

PDF
TL;DR本研究使用多输入、多任务框架，对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案，并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴，进而在困难的文本数据中预测了这些情绪的强度。
发现论文，激发创造
  • WASSA@IITK 在 WASSA 2021 中：情感分类和共情预测的多任务学习和 Transformer 微调

    本文旨在通过使用深度学习模型和机器学习技术，特别是 ELECTRA 模型和多任务学习，对 WASSA 2021 共享任务中的情感预测和情感分类进行建模，并在两个子任务中取得了不俗的成绩。

    Apr, 2021

  • 使用 Transformer 模型集合的共情和苦恼检测

    该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

    Dec, 2023

  • 利用情感特征提高情感分类的 Transformer 性能

    介绍了 PVGs AI Club 团队在 WASSA 2022 举办的情感分类共享任务中的方法。使用基于转换器模型的基准，并基于情感特定表示的两个变体，利用集成技术改善了性能，最终达到了情感分类任务的 0.619 的准确度和 0.520 的宏 F1 分数。

    Apr, 2022

  • WASSA 2023 共享任务中的 VISU：利用 BERT 和堆叠嵌入检测新闻反应中的情感

    我们的系统 VISU 参与了 WASSA 2023 共享任务（3），对以新闻文章为反应的论文进行情感分类。通过深度学习模型使用单词嵌入表示与定制的预处理策略相结合，我们专注于捕捉情感表达的细微差异。我们的实验使用静态和上下文嵌入（个体和堆叠）与双向长短时记忆（BiLSTM）和变换器模型。在情感检测任务中，我们以 0.2717 的宏 F1 得分排名第十，验证了我们实现的方法在小型和不平衡的混合目标情感数据集上的有效性。

    Jul, 2023

  • 新闻报道中的同理心和悲痛建模

    本文提出了第一个公开可用的用于检测共情能力预测的标准，采用单项量表的方法可靠捕捉了作者对共情能力的评估，同时也是第一个区分多种共情形式的计算模型，实验表明 CNN 模型表现最佳。

    Aug, 2018

  • 基于 Transformer 的情感检测集成方法

    本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献，通过对一篇文章进行分类，识别离散的情感，如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用，并取得了 F1 分数为 62.76％的成果。

    Mar, 2022

  • 从用户对文档的回应中学习词语的共情和痛苦评分

    利用深度学习方法针对高级监督学习自动创建移情词汇评分，研究比较了几种不同的学习方法得出 Mixed-Level Feed Forward Network (MLFFN) 模型最佳，使用 MLFFN 模型创建了史无前例的移情词典，并使用 Signed Spectral Clustering 获得其结果的深入洞察。

    Dec, 2019

  • 基于多任务学习的多情感描述符合集模型

    本文介绍我们在第四届野外情感行为分析竞赛中提交的方法，将提供的面部和面部周围背景的完整信息用于多任务学习挑战，使用 InceptionNet V3 模型提取深度特征，从而得出对情绪的分类和评估

    Jul, 2022

  • WASSA-2017 情感强度共享任务

    本文介绍了第一次分享任务，利用 “最优 - 最劣” 刻度（BWS）技术创建了推文的情绪强度数据集，并展示了标注数据的可靠性和机器学习系统的效果，增进了语言传达情绪强度的理解。

    Aug, 2017

  • 基于主成分分析和基于树的模型的实时脑电情绪识别模型

    本文提出一种整合技术和促进人文学科教学方法发展的解决方案，通过在沉浸式空间内整合情感监测，开发了实时情感检测的脑电波系统，以创造综合和沉浸式学习环境。

    Jan, 2024