Jul, 2023

WASSA 2023 共享任务中的 VISU：利用 BERT 和堆叠嵌入检测新闻反应中的情感

PDF
TL;DR我们的系统 VISU 参与了 WASSA 2023 共享任务（3），对以新闻文章为反应的论文进行情感分类。通过深度学习模型使用单词嵌入表示与定制的预处理策略相结合，我们专注于捕捉情感表达的细微差异。我们的实验使用静态和上下文嵌入（个体和堆叠）与双向长短时记忆（BiLSTM）和变换器模型。在情感检测任务中，我们以 0.2717 的宏 F1 得分排名第十，验证了我们实现的方法在小型和不平衡的混合目标情感数据集上的有效性。
发现论文，激发创造
  • PVG at WASSA 2021: 基于 Transformer 的多输入，多任务架构用于共情和痛苦预测

    本研究使用多输入、多任务框架，对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案，并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴，进而在困难的文本数据中预测了这些情绪的强度。

    Mar, 2021

  • 基于 Transformer 的情感检测集成方法

    本文介绍我们在 WASSA 2022 共享任务中使用 ELECTRA 和 BERT 模型解决情感检测问题的贡献，通过对一篇文章进行分类，识别离散的情感，如悲伤、惊讶、中性、愤怒、恐惧、厌恶、快乐。我们的代码库和 WandB 项目公开可用，并取得了 F1 分数为 62.76％的成果。

    Mar, 2022

  • IIIDYT at IEST 2018: 利用深度上下文化词向量进行隐式情感分类

    该研究使用预训练的 ELMo 层对句子中的词语进行编码，再结合双向 LSTM 以及最大池化操作来对情感进行分析，最终采用 6 个不同随机种子初始化的模型在隐式情感共享任务中获得了第二高的 F1 分数。

    Aug, 2018

  • WASSA@IITK 在 WASSA 2021 中：情感分类和共情预测的多任务学习和 Transformer 微调

    本文旨在通过使用深度学习模型和机器学习技术，特别是 ELECTRA 模型和多任务学习，对 WASSA 2021 共享任务中的情感预测和情感分类进行建模，并在两个子任务中取得了不俗的成绩。

    Apr, 2021

  • 利用情感特征提高情感分类的 Transformer 性能

    介绍了 PVGs AI Club 团队在 WASSA 2022 举办的情感分类共享任务中的方法。使用基于转换器模型的基准，并基于情感特定表示的两个变体，利用集成技术改善了性能，最终达到了情感分类任务的 0.619 的准确度和 0.520 的宏 F1 分数。

    Apr, 2022

  • 基于门控循环神经网络和胶囊网络的隐式情感识别方法 ——Sentylic 在 IEST 2018 中的表现

    本文介绍了我们在 Implicit WASSA 2018 的情感预测比赛中所用的系统，使用了 GRU 和 Capsule Network 的模型，并利用预训练的词嵌入来将上下文信息引入模型，最终取得了 0.692 的 F1 评分。

    Sep, 2018

  • 使用 Transformer 模型集合的共情和苦恼检测

    该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

    Dec, 2023

  • 揭示基于文本的情绪检测的限制

    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

  • 通过身体、环境和视觉 - 语义嵌入损失在视频中理解情感

    本文介绍了我们在第一届身体表现情感理解（BEEU）挑战赛中的获奖作品。我们基于情绪环境的影响和使用词嵌入的语义视觉表示的最新文献，扩展了时间段网络的框架来适应这些要求。验证了我们的方法在 “Body Language Dataset”（BoLD）的验证集上，并在测试集上实现了 0.26235 的情绪识别准确率，超过了以前最佳结果 0.2530。

    Oct, 2020

  • 注意力和自监督语音嵌入对非语义语音任务的影响

    人类情绪理解对于推动对话技术走向主流至关重要。我们视语音情绪理解为一项感知任务，这是一个更加现实的设置。通过在 ACM Multimedia 2023 计算跨语音信息挑战（ComParE）中利用其丰富的多语种演讲者数据集和 ' 情感共享 ' 多标签回归目标，我们展示了不同基础模型的训练方案对于超越语音识别等非语义语音任务（例如情绪理解）的效果产生重要影响，尤其是针对多语种演讲者、目标标签的可变性以及回归数据集中的固有不平衡性，我们的结果表明，基于自注意力的轻量级序列模型 HuBERT-Large 相较于报告的基准线有 4.6% 的改进。

    Aug, 2023