研究通过探索三种基于 transformer 的语言模型在文本中检测负罪感的适用性，并比较它们在一般情绪检测和负罪感检测中的性能，发现我们提出的模型的性能较 BERT 和 RoBERTa 模型分别高出两点和一点。此外，通过对结果的定性分析，我们评估了模型在检测与 “羞愧” 等相关情绪方面的有效性，并分析了开发准确的负罪感检测模型所面临的挑战。

Jan, 2024

人类决策和情绪，尤其是罪恶感和后悔的复杂关系，对行为和幸福感有重要影响。本研究介绍了一个数据集，专门研究罪恶感和后悔以及它们特有的文本标记之间的关系，填补了情感计算研究中的一个重要空白。我们将罪恶感和后悔识别视为二元分类任务，并采用三种机器学习和六种基于 Transformer 的深度学习技术来评估新创建的数据集。研究还采用了创新的思维链和思维树推理方法来评估模型的解释逻辑。结果表明，相较于最佳机器学习分类器的 85.3% 得分，基于 Transformer 的模型取得了明显的性能优势，达到了 90.4% 的宏 F1 分数，展示了它们在区分复杂情绪状态方面的优越能力。

Jan, 2024

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

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

文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

Jun, 2018

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

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

本文介绍语法检测，标记每个句子的单词的词类（如名词，动词，形容词，副词等），并使用 Viterbi 算法、隐马尔可夫模型和基于约束的 Viterbi 算法进行情感分析来确定句子的字符，以帮助我们了解特定主题的公众情绪。

May, 2022

本文介绍了一种基于文本的情感检测语料库及其在多方对话文本上对情感分类的深度学习模型，该模型优于现有方法。该文首先提出了一个新的语料库，提供了 Friends 节目中对话连续发言中七种情感的标注。作者提出了四种基于序列卷积神经网络的模型，其中最好的模型在细粒度和粗粒度情感的准确性分别达到了 37.9% 和 54%。

Aug, 2017

我们提出了基于文本的框架，通过纵向语料库研究公众道德情感变化。我们的方法建立在语言使用可以反映人们对对与错的道德观念之上，并通过探索从时间序列的词嵌入中学习到的道德偏见来构建我们的方法论。我们的研究为应用自然语言处理技术对社会中的道德情感变化进行表征提供了机会。

Jan, 2020