Sep, 2023

MONOVAB：一个用于孟加拉多标签情感检测的注释语料库

PDF
TL;DR近年来，情感分析和情绪识别在孟加拉语中变得越来越流行，该语言是全球使用第七多的语言。然而，由于语言的结构复杂，这一领域难以准确地提取情绪。本研究通过构建一个基于 Facebook 抓取的注释语料库的全面方法来解决这一主题领域的挑战和难题，为该语言中的多情感提取奠定了基础。同时，应用了上下文方法和 BERT 转换器的双向编码表示，得到了最佳结果。最后，开发了一个网络应用程序，展示了孟加拉语中多标签情绪识别的预训练模型（BERT）的性能。
sentiment analysisemotion recognitionbangla languageannotated corpusbert
发现论文，激发创造
  • 基于 Transformer 的统一孟加拉多分类情感语料库文本分类

    本研究提出了一种用于识别和提取孟加拉文文本中情感的方法，使用基于 Transformer 的模型构建了孟加拉语情感分类器，并使用 “Unified Bangla Multi-class Emotion Corpus (UBMEC)” 评估了模型的性能。

    Oct, 2022

  • 使用基于 Transformer 的方法在资源有限的语言中进行情感分类

    本文提出了一种基于 Transformer 的技术，通过机器学习和深度神经网络的方法，将孟加拉文本分类为六种基本情感，实验结果显示，使用 XLM-R 技术在测试数据上获得了最高的加权 F1 值（69.73%）。

    Apr, 2021

  • RSM-NLP 在 BLP-2023 任务 2 中：使用加权和多数投票的精调 Transformer 进行孟加拉情感分析

    本论文描述了我们在 BLP 研讨会的共享任务 2 中对孟加拉社交媒体帖子进行情感分析的方法，我们通过使用多语言 BERT 模型进行实验和微调，并使用多数投票和加权集成模型，取得了优于基准模型的成绩，分数为 0.711，排名共享任务排行榜的第 10 位。

    Oct, 2023

  • 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

  • BanglaBook：基于图书评论的大规模孟加拉情感分析数据集

    本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。

    May, 2023

  • 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

  • BANSpEmo：孟加拉语情感语音识别数据集

    在音频和语音分析领域，从声音信号中识别情绪是关键的。我们介绍了 BanSpEmo，这是一个仅包含音频录音的情感语音语料库，专门用于孟加拉语。该语料库包含 792 个音频录音，持续时间超过 1 小时 23 分钟。22 名本地说话者参与了两组代表六种期望情绪的句子录制。该数据集由 12 个孟加拉语句子组成，以 6 种情绪（厌恶、快乐、悲伤、惊讶、愤怒和恐惧）进行表达。BanSpEmo 是一个有用的资源，可以促进孟加拉语情绪和语音识别研究以及相关应用的发展。该数据集可在此处找到：此 https 网址，并可用于学术研究。

    Dec, 2023

  • 多标签环境中的标签相关性利用：情感分析案例研究

    论文研究了多标签情感识别模型中的标签相关性，并提出了两种建模方法和通过情感表示的成对约束作为正则化项，证明该方法在多种语言环境下具有最先进的性能和更好的稳健性。

    Oct, 2022

  • BanglaNLP 参与 BLP-2023 任务 2：对孟加拉社交媒体帖子的情感分析进行不同 Transformer 模型的基准测试

    这篇论文使用基于 Transformer 的架构进行情感分析，以解决 Bangla 这种低资源语言的问题，并通过细调模型在推特数据上获得最佳性能。同时，还进行了详细的错误分析。

    Oct, 2023

  • 基于 Transformer 模型的孟加拉情感分析的里程碑：基础、挑战与未来研究方向

    情感分析（SA）是指将情感极性（通常为正面、负面或中性，甚至包括微妙的愤怒、悲伤等）与给定的文本相关联，基本上将其分解为一项监督分类任务。本文分析了孟加拉语中情感分析的最新技术，特别是基于 Transformer 的模型，讨论了可用的数据集及其缺点，以及在孟加拉语中应用情感分析所面临的挑战，并为未来的研究提供了解决局限性的见解。

    Jan, 2024