Aug, 2022

社交网络服务文档中引起情感识别差异的表达方式

PDF
TL;DR本文提出一种基于 BERT 的检测框架，能够检测出导致作者和读者之间情感识别差异的句子，并分析出这些句子所具有的表达特征。采用日语 SNS 文档数据集，该检测器探测出了 AUC=0.772 的 'hidden-anger sentences'。在分析表达特征后，如果隐含的愤怒被指出，那么就可能猜测出作家的情感状态，从而有效地解决由误解引起的问题。
emotion recognitiondetection frameworkberthidden-anger sentencesexpression analysis
发现论文，激发创造
  • 识别对话中的情感原因

    该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。

    Dec, 2020

  • 基于情感和语义的文本对话情感检测方法

    本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。

    Jul, 2017

  • 揭示基于文本的情绪检测的限制

    本研究利用 GoEmotions 和 Vent 两个情感分类的大型数据集，通过多种特征空间和学习算法设计了一个基准测试，并在 BERT 基础上提出了两个简单却有效的模型，超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异，证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。

    Sep, 2021

  • 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

  • 越南社交媒体文本的情绪识别

    通过构建一个包含 6927 个情感标注句子的越南社交媒体情感语料库，我们在情感识别领域探究了机器学习和深度神经网络模型的表现，发现使用 CNN 模型的全重 F1 - 分数最高可达 59.74%。

    Nov, 2019

  • 基于分层 Transformer 网络的话语级情感识别

    通过提出一种基于分层 Transformer 框架的情感识别方法，该方法结合了预训练语言模型和说话人嵌入，能在不同背景环境和不同说话人的情况下有效地捕捉言语的情感信息，实验结果表明该方法在三个对话数据集上分别取得了 1.98％、2.83％和 3.94％的 F1 宏平均分数提升。

    Feb, 2020

  • 中性言语也是因果关系：通过社会常识知识增强对话因果情绪蕴含

    本文提出一种通过将情感信息与社会常识知识引入图中，构建知识增强会话图（KEC）来增强会话因果推断的方法。实验证明，该方法可以更好地从目标言语中推断出不同情感的原因。

    May, 2022

  • 情感起因提取的问答方法

    通过深度记忆网络和卷积神经网络，我们将情感诱因提取作为阅读理解任务。性能评估结果表明，我们的方法在最新发布的情感诱因数据集上实现了最新技术表现，并且在 F-measure 上至少比多个基准线高 3.01%。

    Aug, 2017

  • 自然语言处理用于情感认知分析

    本研究介绍一种新的情感分析标注方法，提出一种基于自传故事纪录的情感分析的数据集，探索了使用基于规则的自动标注方法来标注情感及其语义角色，以便教练识别相关方面，并探讨了基于图结构的情感分析的未来方向。

    Oct, 2022

  • 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