DialogueCRN: 上下文推理网络用于对话中情感识别
本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法,使用图神经网络来进行 Emotion recognition in conversation (ERC),并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。
Aug, 2019
通过深度学习模型,本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务,取得了 57.71 的宏 F1 得分,相较于相关研究有了显著的提升。
Apr, 2024
本文介绍一种创新的使用图卷积网络和强化学习的上下文化情感识别模型,通过对话分组和提取多模态特征实时识别多模态对话信号中的情感。与其他最先进的模型相比,该模型在 IEMOCAP 基准数据集上展现出了识别实时多模态对话信号中情感的优势。
Oct, 2023
基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性,证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。
Apr, 2023
我们提出了一种基于课程学习策略的新型情感识别网络(ERNetCL),它通过结合前期方法的优点以简洁的方式高效地捕捉对话中的时序和空间上下文信息,并利用课程学习的思想逐步优化网络参数。在四个数据集上进行的大量实验表明,我们的方法有效地击败了其他基准模型。
Aug, 2023
情感识别技术在人工智能领域中有着广泛的应用,并且在自然语言处理中被广泛研究。本文讨论了情感识别技术在对话中所面临的挑战和最近的研究进展,同时讨论了现有方法所存在的不足和失败原因。
May, 2019
介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后,对关键 ERC 工作进行了描述和基准测试,并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。
Nov, 2022
本文提出一种基于双重 RNN 和多头注意力网络(MAT)的直观双流递归关注网络(DualRAN),该模型旨在解决情感对话(ERC)任务中建模上下文的难题,能够更有效地捕获全局和局部背景信息。实验结果表明 DualRAN 模型优于所有基线,并且每个组件的有效性得到了深入的证明。
Jul, 2023
介绍了一种基于有向无环图(DAG)进行对话建模的方法,通过设计一个有向无环神经网络 (DAG-ERC)来实现,其提供了更直观的模型,能够更好地模拟长距离对话背景和近距离上下文之间的信息流,并以四个情感识别基准测试集为例,结果表明该模型的优越性以及有向无环图结构在情感识别上的潜在价值。
May, 2021