多标签环境中的标签相关性利用:情感分析案例研究
通过利用标签信息进行多模态情绪识别,我们提出了一种新的方法,通过标签 - 令牌和标签 - 帧交互来学习每个话语的标签增强文本 / 语音表示,并设计了一种新的标签引导的注意融合模块,以融合具有标签意识的文本和语音表示进行情绪分类,实验证明该方法优于现有基线并取得了最新的最佳性能。
Sep, 2023
通过合并多个语料库,提出了一种软标签系统来识别口语交流中的情感,并使用时间动力学强调情感的动态变化。通过在跨语言的四个多语种数据集上进行验证,展示了引人注目的零 - shot 泛化性能。
Nov, 2023
我们参与了 Explainability of Cross-lingual Emotion Detection(EXALT)共享任务,在情感检测子任务的评估集上实现了 0.6046 的 F1 分数,超过基准模型 0.16 个 F1 分数,并在竞争系统中排名第二。我们通过使用 Fine-tuning、Zero-shot learning 和 Few-shot learning 方法在基于 Large Language Model(LLM)和非 LLM 的技术中,包括嵌入式的 BiLSTM 和 KNN 进行实验。此外,我们引入了两种新方法:多次迭代代理工作流和多二元分类器代理工作流。我们发现 LLM 方法对多语言情感检测提供了良好的性能。此外,将所有实验模型组合起来的集成模型比任何单一方法都有更高的 F1 分数。
May, 2024
提出了一种名为 SpanEmo 的新模型,将多标签情感分类视为跨度预测,并引入专注于对输入句子中多重共存情感进行建模的损失函数,实验证明了我们方法在提高模型性能和学习情感类别与句中单词之间有意义的关联方面的优势。
Jan, 2021
本文提出了一种训练方案,可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示,通过实验表明,该方法能够实现所需的互操作性,而不降低预测准确率。
Dec, 2020
通过引入多任务学习和标签相关性反馈机制来增强标签相关性学习,其中采用文档 - 标签交叉注意力机制来生成一个更具有区分度的文档表示,以及两个辅助标签共现预测任务来增强标签相关性学习,实验结果表明,我们的方法在 AAPD 和 RCV1-V2 数据集上优于竞争性基线方法。
Jun, 2021
该论文提出了一种新的多标签学习方法,通过在标签空间中的稀疏重构来学习标签相关性,并将其无缝地整合到模型训练中,以明确考虑标签的相关预测。实验结果表明,该方法的表现优于现有的最先进技术。
Feb, 2019
本文提出了一种新的多语言情感分类方法,使用了大量的弱监督数据训练多层卷积网络,通过在多种语言数据集上进行充分的评估,证明该方法的优异性能,达到了同类研究的最高水平。
Mar, 2017
本文提出了一种新的多标签方法 GLOCAL,通过学习潜在标签表示和优化标签流形,同时处理全标签和缺失标签情况,从而利用全局和局部标签相关性,且实验证明了该方法的有效性。
Apr, 2017