TONE: 一种用于情绪分析的三层本体
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
本文提出了一种训练方案,可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示,通过实验表明,该方法能够实现所需的互操作性,而不降低预测准确率。
Dec, 2020
我们提出了一种基于 OWL 框架的情感本体论,Emotion Frames Ontology (EFO)。该本体论将情感视为语义框架,并采用一组语义角色来捕捉情感体验的不同方面。EFO 遵循基于模式的本体论设计,并与 DOLCE 基础本体论对齐。我们通过将 Ekman 的基本情感理论建模为 EFO-BE 模块,实现如何对情感情况的表示进行自动推理来说明 EFO。我们通过对 Framester 知识图谱中的 BE 情感框架进行词汇化,并实现了基于图形的文本情感检测器来评估 EFO-BE。此外,我们还进行了包括情感语音和情感面部表情在内的多模态数据集的 EFO 集成,以进一步探究跨模态情感语义。
Jan, 2024
情感分析涵盖了各种自然语言处理任务,其共同目标是使计算机能够理解情感。本文综合了 SEAT 和 CEAT 项目的研究结果,并指出了开放性研究问题。
Sep, 2023
人类情感的计算研究涉及各种沟通方式和媒体格式,本文提出了一个统一的计算模型,通过学习共享的情感表示来实现对异质数据和标签类型的协同工作,以提高可重用性、可解释性和灵活性,并且不降低预测质量。
Aug, 2023
通过众包的方式,我们发布了一个数据集,包括了 5000 个英文新闻标题的情感、情感体验者和文本线索、相关情感原因和目标,以及读者对标题情感的感知;在此基础上,我们提出了一个多阶段的注释程序,开发了语义角色结构自动预测任务的基线,并讨论了结果,此数据集支持进一步情感分类、情感强度预测、情感原因检验和定性研究。
Dec, 2019
我们研究了情绪语料库中存在的主题偏差以及相关的建模方法,并发现通过对抗性修正可以缓解此问题。我们的研究指出现有情绪语料库存在问题,并且需要更具代表性的资源来进行情感概念从文本中预测的公平评估。
Dec, 2023
通过注释实验和 BERT 分类器,我们研究了文学作品中的美学情感,包括复杂和微妙的情感,以及作者的意图和读者的反应之间的区别,并形成了一个对于未来大规模分析的一致数据集。
Mar, 2020
介绍了 GoEmotions,这是目前最大的手动标注的数据集之一,其中包含 58k 英文 Reddit 评论,并将其标记为 27 种情感类别或中性。通过传递学习实验,证明了该数据集具有良好的泛化性能,BERT-based 情感检测模型取得了.46 的平均 F1 分数。
May, 2020