ACLMar, 2022

基于 Transformer 的情感检测集成方法

PDF
TL;DR本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献，通过对一篇文章进行分类，识别离散的情感，如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用，并取得了 F1 分数为 62.76％的成果。
emotion detectionwassa 2022electrabertf1 score
发现论文，激发创造
  • 使用 Transformer 模型集合的共情和苦恼检测

    该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

    Dec, 2023

  • WASSA@IITK 在 WASSA 2021 中：情感分类和共情预测的多任务学习和 Transformer 微调

    本文旨在通过使用深度学习模型和机器学习技术，特别是 ELECTRA 模型和多任务学习，对 WASSA 2021 共享任务中的情感预测和情感分类进行建模，并在两个子任务中取得了不俗的成绩。

    Apr, 2021

  • 使用 BERT 和 SVM 集成模型对推文进行情感检测

    本文提出了一种方法，通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中，构建了一个平衡的数据集。在这个扩展数据集上，我们研究了支持向量机（SVM）和双向编码器表示转换器（BERT）在情感识别中的应用，并提出了一种将两种模型结合的新型集成模型。实验结果表明，该模型在推特情感识别中实现了 0.91 的准确率。

    Aug, 2022

  • 利用情感特征提高情感分类的 Transformer 性能

    介绍了 PVGs AI Club 团队在 WASSA 2022 举办的情感分类共享任务中的方法。使用基于转换器模型的基准，并基于情感特定表示的两个变体，利用集成技术改善了性能，最终达到了情感分类任务的 0.619 的准确度和 0.520 的宏 F1 分数。

    Apr, 2022

  • WASSA 2023 共享任务中的 VISU：利用 BERT 和堆叠嵌入检测新闻反应中的情感

    我们的系统 VISU 参与了 WASSA 2023 共享任务（3），对以新闻文章为反应的论文进行情感分类。通过深度学习模型使用单词嵌入表示与定制的预处理策略相结合，我们专注于捕捉情感表达的细微差异。我们的实验使用静态和上下文嵌入（个体和堆叠）与双向长短时记忆（BiLSTM）和变换器模型。在情感检测任务中，我们以 0.2717 的宏 F1 得分排名第十，验证了我们实现的方法在小型和不平衡的混合目标情感数据集上的有效性。

    Jul, 2023

  • WASSA-2017 情感强度共享任务

    本文介绍了第一次分享任务，利用 “最优 - 最劣” 刻度（BWS）技术创建了推文的情绪强度数据集，并展示了标注数据的可靠性和机器学习系统的效果，增进了语言传达情绪强度的理解。

    Aug, 2017

  • Amobee 在 IEST 2018：来自语言模型的迁移学习

    该论文描述了 Amobee 公司开发的用于 WASSA 2018 内隐情绪共享任务 (IEST) 的系统，其目标是预测推特中未使用明确词汇表达的情感，该系统使用了语言模型 (具体是针对大型推特数据集进行训练的) 和带有 CNN 注意机制的 LSTM 网络的集成系统， 是对语言模型的新型应用，通过该系统在 macro F1 得分等方面取得了第一名。

    Aug, 2018

  • PVG at WASSA 2021: 基于 Transformer 的多输入，多任务架构用于共情和痛苦预测

    本研究使用多输入、多任务框架，对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案，并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴，进而在困难的文本数据中预测了这些情绪的强度。

    Mar, 2021

  • 基于多任务学习的多情感描述符合集模型

    本文介绍我们在第四届野外情感行为分析竞赛中提交的方法，将提供的面部和面部周围背景的完整信息用于多任务学习挑战，使用 InceptionNet V3 模型提取深度特征，从而得出对情绪的分类和评估

    Jul, 2022

  • 使用基于 Transformer 的方法在资源有限的语言中进行情感分类

    本文提出了一种基于 Transformer 的技术，通过机器学习和深度神经网络的方法，将孟加拉文本分类为六种基本情感，实验结果显示，使用 XLM-R 技术在测试数据上获得了最高的加权 F1 值（69.73%）。

    Apr, 2021