Jan, 2023

基于情感丰富嵌入和基于 Transformer 的神经语言模型的读者情感检测

PDF
TL;DR本文提出了一个名为 REDAffectiveLM 的深度学习模型的新颖方法，以从短文档中检测读者的情感，通过使用基于 transformer 预训练语言模型的上下文特定表示和情感丰富的表示形式，以及双向 LSTM + 注意。在三个数据集上进行了实证评估，相对于基线模型，我们的模型表现持续超过，可以显着提高读者情感检测的性能。
发现论文，激发创造
  • Affect-LM：用于定制情感文本生成的神经语言模型

    本文提出了一种基于 LSTM 模型的扩展 Affect-LM，用于在生成对话文本时增加情感内容的控制因素，研究表明，通过 Affect-LM 生成的自然语言句子不会破坏语法正确性。Affect-LM 学习到了区分情感的单词表达方式，迷惑度实验表明在对话文本中增加情感信息可以提高语言模型的预测效果。

    Apr, 2017

  • 情感神经响应生成

    通过引入情感方面的三种新方法，可以改善神经会话模型的自然语言处理能力，实现更加丰富、有趣和自然的情感化响应。

    Sep, 2017

  • 情感计算的深度学习：决策支持中基于文本的情感识别

    本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

    Mar, 2018

  • 在词嵌入中表示情感信息

    本文研究了使用大规模语言模型所获得的单词嵌入中是否编码了某些情感信息。研究发现，只有在情感相关任务上微调 BERT 模型，或在情感丰富的上下文中包含额外的上下文信息时，相应的词嵌入才能编码更相关的情感信息。

    Sep, 2022

  • EmoLLMs：一系列用于全面情感分析的情感大型语言模型和注释工具

    基于指令数据微调各种 LLMs 的 EmoLLMs 系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的 LLMs、ChatGPT 和 GPT-4，具有与 ChatGPT 和 GPT-4 相当的情感分析自动化标注工具的广泛应用能力。

    Jan, 2024

  • 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

  • 实体为中心的情感语境分析

    通过使用上下文化单词嵌入，我们可以捕捉人物形象中的情感维度，并比较男女形象的差异。虽然这些单词嵌入编码了有意义的情感信息，但受其训练数据的影响严重限制了它们的实用性。

    Jun, 2019

  • LEIA：面向情感识别的语言嵌入技术

    本研究提出了一种基于 LEIA 模型的情绪文本识别方法，该模型使用了一个以上的自我注释情绪标签的超过 6 百万条社交媒体数据集进行训练，并在领域内和领域外的测试数据集上取得了优异的性能表现。

    Apr, 2023

  • NTUA-SLP 在 SemEval-2018 任务 1 中使用深度注意力循环神经网络和迁移学习来预测推文中的情感内容

    本文介绍了在 SemEval-2018 挑战赛中参赛的深度学习模型及其应用。采用 Bi-LSTM 网络结构和多层自注意力机制，利用大量 Twitter 数据的 word2vec 词向量嵌入和情感特征，通过预先训练 Semeval 2017 年的数据集进行迁移学习，最终在多个子任务中取得了显著的结果。

    Apr, 2018

  • 一种带有偏置注意力和加权交叉熵损失的情感丰富的神经对话模型

    本文提出了一种端到端情感丰富的神经对话模型，采用 VAD 注意机制将情感嵌入到每个单词中，并通过采用情感注意机制考虑了否定语和强化语的影响。最后，采用具有情感的目标函数训练模型，以产生具有情感丰富性的输出响应，得到人类的联合评估与基于困惑度的评估都优于同等规模的基线模型。

    Nov, 2018