EMNLPNov, 2022

基于联邦学习的印地语推文表情符号预测

PDF
TL;DR本文提出了一个模型，使用 Hindi 语言的一个新数据集作为输入，并使用修正的联邦学习算法进行监控，以实现预测表情 Symbol 的目标。该方法可以在降低数据量和保护用户隐私的同时，达到与更复杂的集中式模型相当的性能。
发现论文，激发创造
  • 移动键盘表情预测的联合学习

    本文通过利用递归神经网络预测移动键盘上输入文本的 emoji，演示了利用预训练模型和联邦学习训练生产质量自然语言理解模型的可行性，提出了多种触发 emoji 和调整候选项多样性的机制，并证明了基于联邦学习的分布式设备学习框架可以获得比基于服务器训练的模型更好的性能。

    Jun, 2019

  • 基于联邦学习的多语言清洁和攻击情境下的表情符号预测

    本文提出了一种基于联邦学习的多语言表情符号预测方法，使用 Twitter 和 SemEval 表情符号数据集进行实验，结果表明联邦学习在干净或攻击场景下表现出色，且优于其他技术在 SemEval 表情符号数据集上的性能，同时具有隐私和分布式优势。

    Mar, 2023

  • 使用数百万个表情符号出现次数来学习用于检测情感、情绪和讽刺的任意领域表示

    本文研究了在社交媒体情感分析任务中使用二进制表情符号和特定的话题标签作为远程监督的方法，通过扩展对更多嘈杂标签的监督，模型可以学习更丰富的表示，同时从一个包含 64 个常见表情的数据集中进行表情预测，使用单个预训练模型在 8 个基准数据集中取得了最先进的性能，并证实了我们的情感标签多样性相较于之前的远程监督方法有了更好的表现。

    Aug, 2017

  • 基于表情符号的情感转移学习

    该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

    Feb, 2021

  • Emoji 预测：扩展和基准测试

    本文提出了基于 Transformer 网络的多类和多标签表情符号预测模型，并使用启发式方法从 Twitter 构建了多个表情符号预测数据集。实验结果表明，相对先前的最新技术，我们的 BERT 模型在所有数据集和所有设置下都取得了最先进的性能，其中精度提高了 27.21％到 236.36％，前 5 个精度提高了 2.01％到 88.28％，F-1 分数提高了 65.19％到 346.79％。

    Jul, 2020

  • 多模态情感分类

    本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

    Mar, 2019

  • 使用 Transformer 模型进行 Emoji 预测

    本研究提出了一种基于 BERT 的 transformer 方法来预测文本中最合适的 emoji 表情符号，实验结果表明我们的方法的准确性高于其他几种先进的模型，这个方法有潜在的在自然语言处理、情感分析和社交媒体营销的应用。

    Jul, 2023

  • 基于表情的表示学习在跨语言情感分类中的应用

    本研究提出了一种利用表情符号作为新通道来学习语言中跨语言和特定语言情感模式的表示学习方法，并将其应用于跨语言情感分类。该方法在基准数据集上展示出最先进的性能表现。

    Jun, 2018

  • MojiTalk: 大规模生成情感回应

    借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

    Nov, 2017

  • 面带微笑，心情愉悦 :) 基于 Emoji 的视觉情感分析

    本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法，在 Twitter 数据集上使用表情符号来训练深度神经模型，有效地解决了对象分类模型在情感分析中的限制，其结果在公共情感分析基准测试中表现出优秀的性能。同时，研究者还基于表情符号的视觉情感反应提出了一种新的表情符号表示方法，加深了对表情符号模态的理解。

    Jul, 2019