Aug, 2022

使用 BERT 和 SVM 集成模型对推文进行情感检测

PDF
TL;DR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。
twitter dataemotion recognitionsupport vector machinebidirectional encoder representationsensemble model
发现论文，激发创造
  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 2023

  • EmotionX-HSU: 采用预训练的 BERT 进行情感分类

    本文介绍了我们通过深度学习和使用 BERT 模型的方法，在 EmotionX-2019 和 SocialNLP 2019 的共享任务中，对来自电视节目 Friends 和 Facebook 聊天记录 EmotionPush 的每个话语的情感进行了识别，并通过微平均 F1 分数对模型性能进行了评估，得到了同类中的第三名。

    Jul, 2019

  • 基于 Transformer 的情感检测集成方法

    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。

    Mar, 2022

  • 基于 BERT 词向量集成的袋化支持向量机实现人格特质检测

    本文介绍了一种基于深度学习技术的自动化文本人格检测方法，采用 BERT 语言模型提取文本数据中的上下文词嵌入，并结合心理语言学特征与 Bagged-SVM 分类器进行计算，实现高效人格预测模型，并在金标准文章数据集上对模型进行实验并证实其优势。

    Oct, 2020

  • 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

  • SemEval-2017 任务 4: 使用 BERT 进行 Twitter 情感分析

    使用 BERT 模型对 SemEval2017 中 Twitter 上的英语情感分析任务 4A 进行解决，在训练数据量较小的分类任务中，BERT 是一个非常强大的大型语言模型。使用此模型进行实验时，我们使用了包含 12 个隐藏层的 BERT BASE 模型，该模型在准确性、精确率、召回率和 F1 分数上优于朴素贝叶斯基线模型，在二分类子任务中表现更好，我们还在实验过程中考虑了所有种类的伦理问题，因为 Twitter 数据包含个人和敏感信息。我们在此 GitHub 存储库中提供了实验中使用的数据集和代码。

    Jan, 2024

  • 使用专家模型对推特中的情感进行分析

    本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。

    Mar, 2019

  • EmotionX-IDEA: 情感 BERT—— 一种面向对话的情感模型

    本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

    Aug, 2019

  • SeerNet 在 SemEval-2018 任务 1 中的应用：针对推文情感的领域自适应

    该论文描述了针对 Valence 和情感的序列分类和回归子任务的 SemEval-2018 推文情感分析比赛中成绩最好的系统，该系统采用了四个不同模型的域自适应并创建了一个集成模型，实现了大幅度的性能提升。

    Apr, 2018

  • 加拿大 NRC：构建推文情感分析的最新技术

    本文介绍如何使用基于 SVM 算法的两种分类器来检测消息（如推文和短信）的情感和词汇层面上的情感，并详细描述了使用各种表层形式、语义和情感特征进行实现。其中，基于词典的特征在所有特征中获得了 5 个 F-score 点的增益，两个系统都可以使用现有资源进行复制。

    Aug, 2013