AAAISep, 2023

Memotion 3: 代码混合 Hinglish 模因的情感分析与情绪分析概述

PDF
TL;DR分析互联网上的迷因已成为一项重要的任务，因为这种多模态内容在塑造在线言论方面具有重要影响力。本文介绍了 Memotion 3 共享任务的概述，作为 AAAI-23 会议中 DeFactify 2 研讨会的一部分。该任务发布了一份基于情感（任务 A）、情绪（任务 B）和情绪强度（任务 C）方面的标注数据集，并分别对每个任务的参与者进行排名。共有超过 50 个团队注册参与该共享任务，其中 5 个团队向 Memotion 3 数据集的测试集提交了最终结果。参与者中最流行的模型包括 CLIP、BERT 修改版、ViT 等，同时还采用了学生 - 教师模型、融合和集成等方法。任务 A 的最佳 F1 分数为 34.41，任务 B 为 79.77，任务 C 为 59.82。
发现论文，激发创造
  • Memotion 3：码混合印度 - 英文 Memes 的情感和情绪分析数据集

    本文介绍了 Memotion 3 数据集，其中包括了 10,000 个带有注释的印地语 - 英语混合表情包，以期更深入地研究这一新时代社交媒体幽默传递机制可能存在的信息误导和仇恨传递问题，并提供任务基准数据和代码。

    Mar, 2023

  • Memotion 3 中的 NYCU-TWO: 有好的基础、好的导师，你就能做好梗分析

    本研究提出了一种基于 CLIP 的新型模因情感分析框架，包括 CTM（任务 A 的合作教学模型）和 CEC（任务 B&C 的级联情感分类器），可准确分类来自社交媒体的模因的情感及其相应强度，取得了显著的结果。

    Feb, 2023

  • SemEval-2020 任务 8：情感分析 -- 视觉语言隐喻！

    该研究针对社交媒体上流行的多模式互联网模因进行情感分析，人工标注了约 10,000 条模因标签，并涵盖情感和情感类型（讽刺，有趣，冒犯，积极影响）及其相应的强度，三项任务中分别取得了 F1 得分的最佳表现分别为 0.35、0.51 和 0.32。

    Aug, 2020

  • 可解释的孟加拉笑话的多模态情感分析

    本研究采用 ResNet50 和 BanglishBERT 的多模态方法，在低资源语言（如孟加拉语）的 memes 情感分析中取得了令人满意的 0.71 的加权 F1 分数，并通过可解释人工智能（XAI）技术对模型的行为进行解释性分析。

    Dec, 2023

  • IITK 在 SemEval-2020 任务 8 中：对互联网模因进行单模态和双模态情感分析

    本文探讨了使用自然语言处理和计算机视觉技术进行情感分析的问题，研究人员使用双模态和单模态的方法，提出了一种使用 Word2vec 嵌入的前向神经网络的文本单模态方法，在情感分类任务中相对于其他方法有 63％的改进。

    Jul, 2020

  • UPB 在 SemEval-2020 任务 8 中：多任务学习体系结构中的文本和视觉建模用于情感分析

    本研究介绍了一个新颖的多模式多任务学习架构，该架构将 ALBERT 文本编码与 VGG-16 图像表示相结合，可用于分析互联网迷因，该方法在 SemEval-2020 Task 8 比赛的三个子任务中，均超过了官方基线结果。

    Sep, 2020

  • SemEval-2020 任务 9：代码混合推文的情感分析概述

    本文介绍了 SemEval-2020 任务 9 关于混合代码推文情感分析（SentiMix 2020）的结果，释放和描述了标记有单词级别语言识别和句子级别情感标签的 Hinglish（印地语 - 英语）和 Spanglish（西班牙语 - 英语）语料库。最好的表现是在 Hinglish 和 Spanglish 分别获得了 75.0％ F1 得分和 80.6％ F1 得分。观察到在比赛者中 BERT-like 模型和集合方法是最常见和成功的方法。

    Aug, 2020

  • 使用变形金刚和多任务学习识别混合代码社交媒体文本中的情感 - 在 SemEval-2020 任务 9 中的 UPB

    本篇论文描述了研究团队为 SemEval-2020 Task 9 开发的两个系统，用于涵盖印地语 - 英语和西班牙语 - 英语这两种混合语言。通过介绍利用多种神经网络方法和预训练的单词嵌入的解决方案，我们提出的多语言 BERT 方法在印地语 - 英语任务中取得了有前途的表现，平均 F1 得分为 0.6850，对于西班牙语 - 英语任务，我们使用另一种基于 Transformer 的多语言模型 XLM-RoBERTa 获得了平均 F1 得分为 0.7064，排名团队第 17 位 (29 个参赛者中).

    Sep, 2020

  • BLUE 在 Memotion 2.0 2022：你有我的图像、文本和变形器

    本研究通过 BERT 和 Multi-Modal-Multi-Task transformer 等预训练模型将 MEMOTION 的表情包进行情感、幽默、进攻、讽刺和动机等分类，获得了该领域的多个任务奖项，并取得了最高平均分。

    Feb, 2022

  • SemEval-2020 Task 9 中的 HCMS：一种用于代码混合文本情感分析的神经网络方法

    本文描述了我们在 Sentimix 印地语 - 英语任务中提交的内容，涉及对代码混合文本进行情感分类，并表现出 F1 得分为 67.1％，证明简单的卷积和注意力可能会产生合理的结果。

    Jul, 2020