社交媒体中与时尚相关帖子的情感分析
本篇论文提出了一种从社交媒体中自动提取时尚知识的方法,该方法结合了图像、文本和元数据多种模态中的场合、人物和服装三个方面进行探测,并采用上下文化时尚概念学习模块提供了对于人物检测和服装识别的解决方案,在机器标注数据有限的情况下,通过弱标签建模模块有效地利用了机器标注数据。实验结果证明了我们的模型在时尚概念预测方面的有效性以及提取知识与全面分析的有用性。
Aug, 2019
本文提出了一种从社交媒体自动收集时尚知识的新系统,它通过图像、文本和元数据的多个模态统一了场合、人物和服装发现的三个任务,并应用上下文化的时尚概念学习模型来提高时尚概念学习性能,同时通过弱标签建模方法进一步提高性能,并构建了一个网站来展示我们的系统提取的时尚知识的质量。
Aug, 2019
该研究使用机器学习技术分析社交媒体上用户的意见与经验,通过建立自动化数据分析流程找到图片和特定词汇,应用基于方面的情感分析方法发现用户对选择的主题的看法,提出了新的语义计算方法,为建筑专家等领域的研究者提供了新的见解。
Oct, 2022
本文研究了多模态情感分析领域,探讨了社交媒体网络上发布的视觉和文字数据,并提供了包括数据预处理、特征提取技术、情感基准数据集以及适用于不同领域的多种分类方法和数据融合策略。同时,我们还介绍了该领域面临的主要挑战和关键的情感应用。
Jul, 2022
本研究提供了一种自动化框架,分析大量的街头时尚图片,以发现和预测各种时尚属性的长期趋势和自动发现的风格,并确定影响人们穿着的时空本地化事件。相比之前的方法,我们的框架可以做出超过 20%的长期趋势预测,并发现了成百上千个影响全球时装的具有社会意义的事件。
Aug, 2019
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
本文提出一种新的多模态情感分析方法,使用深度神经网络结合视觉分析和自然语言处理,旨在推断用户潜在的情感状态并且在社交网络中应用此方法实现自我报告的情感标签的预测,实验证明该模型的性能优于仅基于图像或文本的单独模型,并具有与情绪相关的合理词汇列表。
May, 2018
该研究使用深度学习技术,特别是长短时记忆网络(LSTM)和双向 LSTM 与卷积神经网络(BiLSTM-CNN)的组合,对波斯语的 PRFashion24 数据集进行情感分析,结果显示积极情绪占主导地位。
May, 2024