Mar, 2023

情感惯性与传染驱动的依赖模型：对话中情感识别

PDF
TL;DR本文提出了一种用于对话情感识别的新方法 EmotionIC，该方法驱动依赖建模，通过特征提取和分类级别实现情感识别，实验结果表明该方法在四个基准数据集上明显优于现有模型，证明了模块可以有效地模拟情感惯性和传染性。
emotion recognitionconversationdependency modelingfeature extractionclassification
发现论文，激发创造
  • 一种基于说话者建模的分层 Transformer 用于对话情感识别

    本文提出一种在语音对话中进行情绪识别的方法，利用 Transformer 和注意力机制设计三个不同的蒙版模拟传统上下文建模、扩展内部说话人和跨说话人的交互作用，以达到更好的预测效果。实验证明我们的方法可以有效提高情绪识别的性能。

    Dec, 2020

  • 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

  • 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

  • 上下文感知孪生网络在会话中高效的情感识别

    通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

    Apr, 2024

  • 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

  • 面向会话情感识别的说话者引导编码器 - 解码器框架

    本文提出了一种探索语音信息中内部和外部说话者依赖关系的新型说话者建模方案，并使用 Speaker-Guided 编码器 - 解码器框架来预测情感标签，证明了其在情感识别中的优越性和有效性。

    Jun, 2022

  • 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

  • 对话情感识别的混合式课程学习

    本研究提出了一种以情绪识别为中心的混合课程学习框架，其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力，我们观察到该模型跨多个 ERC 数据集显著提高了性能，达到了新的最先进水平。

    Dec, 2021

  • 情感形状：通过情感变化在对话中进行多模态情感识别

    本文提出了一种多模态 ERC 模型，并在其上添加了情感转移组件以提高性能，在 MOSEI 和 IEMOCAP 数据集上的结果表明，情感转移信号的加入有助于该模型优于现有的 ERC 模型。

    Dec, 2021

  • 基于情感胶囊的对话情感识别模型

    该研究提出了一种名为 Emoformer 的新结构，用于从不同的情境中提取情感向量，并将其与句子向量融合为情感胶囊，从而有效地提取多模态信息和话语的情感倾向。此外，他们还设计了一种名为 EmoCaps 的端到端 ERC 模型，该模型通过 Emoformer 结构提取情感向量，并从上下文分析模型中获得情感分类结果，实验结果表明，该模型优于现有的最先进模型。

    Mar, 2022