EMNLPSep, 2021

揭示基于文本的情绪检测的限制

PDF
TL;DR本研究利用 GoEmotions 和 Vent 两个情感分类的大型数据集，通过多种特征空间和学习算法设计了一个基准测试，并在 BERT 基础上提出了两个简单却有效的模型，超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异，证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。
发现论文，激发创造
  • 使用深度学习技术对短英文文本进行情感分类

    使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

    Feb, 2024

  • GoEmotions：一份包含细致情绪的数据集

    介绍了 GoEmotions，这是目前最大的手动标注的数据集之一，其中包含 58k 英文 Reddit 评论，并将其标记为 27 种情感类别或中性。通过传递学习实验，证明了该数据集具有良好的泛化性能，BERT-based 情感检测模型取得了.46 的平均 F1 分数。

    May, 2020

  • 文本情感检测综述

    文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

    Jun, 2018

  • 利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • 基于文本的情感自动分类：不同数据集的比较探索

    本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现，结果发现 RoBERTa 模型在所有情况下表现最佳，并测试了这些模型对实际社交媒体帖子的适用性。

    Feb, 2023

  • 基于情感和语义的文本对话情感检测方法

    本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。

    Jul, 2017

  • GoodNewsEveryone：一份新闻标题语料库，涵盖情感、语义角色和读者感知的注释

    通过众包的方式，我们发布了一个数据集，包括了 5000 个英文新闻标题的情感、情感体验者和文本线索、相关情感原因和目标，以及读者对标题情感的感知；在此基础上，我们提出了一个多阶段的注释程序，开发了语义角色结构自动预测任务的基线，并讨论了结果，此数据集支持进一步情感分类、情感强度预测、情感原因检验和定性研究。

    Dec, 2019

  • 情感线：多方对话情感语料库

    本文介绍了 EmotionLines 数据集，这是第一个只基于文本内容在每个对话中为所有话语进行情感标注的数据集，共包括来自 Friends 电视剧和私人 Facebook 信使对话的 2000 个对话中的 29245 种话语，并为 EmotionLines 中的情感检测模型提供了多个强基线。

    Feb, 2018

  • 使用数据增强和迁移学习在细粒度情感检测数据集上的大型语言模型

    本研究旨在提高文本情感分类在 GoEmotions 数据集上的性能，解决在自然语言处理中检测微妙情感的挑战，并为未来研究提供有价值的见解和方向，包括合成该领域不同数据集上的方法和性能的综述论文的潜力。

    Mar, 2024

  • MojiTalk: 大规模生成情感回应

    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