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

本论文研究了社交媒体中的图像情感分析问题，提出了一种基于跨模态蒸馏范式的自动建立情感极性分类器的方法，即从文本数据和图像数据构建出学生模型，并在 Twitter 上收集的随机抓取的图像数据集上对模型进行了评估，证明了其在情感极性预测方面优于现有的方法。

Apr, 2023

借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

Nov, 2017

本文介绍一项研究，通过一个包含 85,007 张公开图片、526,749 个情感反应和自由文本解释的大规模数据集，探讨使用自然语言表达对给定视觉刺激的情感反应所引起的情绪反应。研究提出了三个问题来解决这个新任务，并介绍了一些方法和开源数据集。

Oct, 2022

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