ACLMar, 2022

基于情感胶囊的对话情感识别模型

PDF
TL;DR该研究提出了一种名为 Emoformer 的新结构，用于从不同的情境中提取情感向量，并将其与句子向量融合为情感胶囊，从而有效地提取多模态信息和话语的情感倾向。此外，他们还设计了一种名为 EmoCaps 的端到端 ERC 模型，该模型通过 Emoformer 结构提取情感向量，并从上下文分析模型中获得情感分类结果，实验结果表明，该模型优于现有的最先进模型。
emotion recognitioncontext modelingemotional tendencymulti-modal informationend-to-end model
发现论文，激发创造
  • 通过情感跨模态融合和类间对比学习提升对话中的情感识别

    基于向量连接的跨模态融合情感预测网络，包括多模态特征融合阶段和基于融合特征的情感分类阶段，同时设计了基于情感标签的监督式跨类对比学习模块，实验证实了该方法的有效性，并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。

    May, 2024

  • Chat-Capsule: 一种用于对话级情感分析的分层胶囊

    本研究提出了一种基于语境的层级注意胶囊模型（Chat-Capsule），该模型对话情感分析涵盖了话语级别和对话级别以及其相互关系，并且能够预测用户满意度和情感曲线类别， 实验表明这个模型在基准数据集和专有数据集上均优于现有的基准模型。

    Mar, 2022

  • 基于上下文的嵌入式话语表示在对话情感识别中的应用

    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

  • 情感形状：通过情感变化在对话中进行多模态情感识别

    本文提出了一种多模态 ERC 模型，并在其上添加了情感转移组件以提高性能，在 MOSEI 和 IEMOCAP 数据集上的结果表明，情感转移信号的加入有助于该模型优于现有的 ERC 模型。

    Dec, 2021

  • 基于分布的对话情感识别

    提出了一个分布式框架，将自动情感识别作为序列到序列问题来解决，通过引入贝叶斯训练损失来改善情感分布的不确定性估计，从而更好地处理情感标签的不确定性，实验结果表明，分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。

    Nov, 2022

  • 对话情感识别的混合式课程学习

    本研究提出了一种以情绪识别为中心的混合课程学习框架，其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力，我们观察到该模型跨多个 ERC 数据集显著提高了性能，达到了新的最先进水平。

    Dec, 2021

  • 基于语境信息和常识的对话情感识别

    提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER，通过融入上下文信息、交往者情感以及常识知识等要素，可以更加准确地识别对话中的情感表达，明显超过当前最优解。

    Jul, 2022

  • 文本对话中的深度情感识别：一项调查

    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

  • 情感惯性与传染驱动的依赖模型：对话中情感识别

    本文提出了一种用于对话情感识别的新方法 EmotionIC，该方法驱动依赖建模，通过特征提取和分类级别实现情感识别，实验结果表明该方法在四个基准数据集上明显优于现有模型，证明了模块可以有效地模拟情感惯性和传染性。

    Mar, 2023

  • 对话中的情感识别：研究挑战、数据集和最新进展

    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