Jan, 2023

BERT-ERC：基于 BERT 的微调已足以在会话情感识别中使用

PDF
TL;DR提议一种新方法，将语境信息和对话结构信息纳入 “pretrained language models”（PLMs）的微调步骤，来代替先前的两步骤方法，以提高情感识别效果。在新方法下开发的 BERT-ERC 模型在四个数据集上比现有方法均有显著提升，并可适用于多种情境。
发现论文，激发创造
  • 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

  • InstructERC: 用检索多任务 LLMs 框架改革对话中的情感识别

    通过大型语言模型，我们提出了一种名为 InstructERC 的新方法，将情绪识别对话（ERC）任务从辨别性框架改为生成性框架，通过引入简单而有效的检索模板模块以及两个额外的情绪对齐任务，显式地整合多层次的对话监督信息和隐含的对话角色关系和未来情绪趋势，从而显著提高了性能，在三个常用的 ERC 数据集上达到了全面的 SOTA 水平。

    Sep, 2023

  • 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

  • 模糊指纹变换语言模型在对话情绪识别中的应用

    本论文将 Fuzzy Fingerprints 与 RoBERTa 相结合，在 Emotion Recognition in Conversations（ERC）任务中获得了最先进的结果，并提供了更简单和可解释性更强的 Large Language Models-based 分类器。通过将发言及其以前的对话转化为上下文嵌入的发言表示，并将其提供给改进的 Fuzzy Fingerprint 分类模块，我们在广泛使用的 DailyDialog ERC 基准数据集上验证了我们的方法，获得了更轻的模型的最先进水平的结果。

    Sep, 2023

  • 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

  • 高效跨任务启示调整用于少样本会话情感识别

    通过 Cross-Task Prompt Tuning 方法，在情感识别对话中应用预训练语言模型和少样本学习，提高了性能和效率，并在少样本和零样本场景中表现卓越。

    Oct, 2023

  • 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

  • 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

  • 对话式迁移学习用于情感识别

    通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

    Oct, 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