那好可爱啊!”:情感响应检测的 CARE 数据集
本篇论文探讨将理性和情感融合到人工智能对话代理中的可行性,并提出了 CARE 模型,一种基于常识感知的情感响应生成模型,实验证明该模型比仅关注单一方面的现有模型在生成情感响应方面更加准确。
Dec, 2020
从文献中提取细粒度实验结果可以为科学应用提供巨大效益,而本研究聚焦于生物医学领域,提出了一种新的信息抽取数据集 CARE (临床聚合导向结果抽取),以提取临床发现结果。在该数据集上对多种最先进的信息抽取系统进行了性能评估,结果表明本数据集的困难之处,尤其是关系抽取方面。
Nov, 2023
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
本文介绍了一个人工标注的可解释因果推理数据集(e-CARE),包含超过 21K 个因果推理问题以及自然语言形成的解释。实验结果表明,为因果事实生成有效解释仍然是现有模型面临的难题,而解释信息有助于提高因果推理模型的准确性和稳定性。
May, 2022
本研究提出了一种使用生成式预训练变换技术检测主观段落中情感特征的方法,形成情感索引和情感指数指标,以消除用户构建情感特征检测机制的需要。同时,该研究主张采用责任分离的方法,用户保护情感个人信息数据,EARS 服务提供商不保留或存储数据,提供有效的情感意识建议。该研究为解决情感主观性和变异性、数据隐私、评估指标和基准提供了一种解决方案,并为未来 EARS 研究铺平了道路。
May, 2023
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
本文介绍了一个全流程的共情对话代理 CAiRE,该系统运用 TransferTransfo 学习方法,通过多任务学习(响应语言模型、响应预测和对话情感检测)微调预训练的大规模语言模型,并在最近提出的具有同情心的对话数据集(Rashkin 等人,2019)上进行了评估,实验结果表明 CAiRE 在对话情感检测和共情响应生成方面实现了最先进的性能。
Jul, 2019
提出了一种新的名为 CARE 的框架,它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系,并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中,实验结果表明该方法取得了最先进的性能。
Nov, 2022
该研究收集并准备公开发布了一个名为 AffectNet 的数据库,包含 100 多万张网络图片,其中大约半数手动注释了 7 种离散面部表情和不同情绪模型的愉悦和唤起度强度,并使用两个深度神经网络对分类模型的图像进行分类和预测情感的愉悦和唤起度强度。
Aug, 2017
近年来,情绪原因分析引起了研究人员的关注。为了填补现有数据集在规模和情绪类别数量上的限制,并提供更具抽象性和可推广性的根本原因,我们引入了一个由 1500 万个清理后的推文构成的大规模情绪原因数据集。我们描述了我们的筛选过程,其中包括全面的数据收集、清理、标记和验证流程,以确保数据集的可靠性和丰富性。我们提取情绪标签,并提供导致情绪的事件的抽象化摘要。最终的数据集包括超过 70 万个推文和对应的情绪 - 原因对,涵盖了 48 个情绪类别,并由人工评估员进行了验证。我们数据集的新颖之处在于它涵盖了广泛的情绪类别,并提供了抽象的情绪原因,从而促进了情绪 - 原因知识图谱的细致推理。我们的数据集将使得能够考虑不同人对同一事件的多样化情绪反应的情绪感知系统的设计成为可能。
Jun, 2024