Jan, 2024

GuReT：区分罪恶和遗憾相关文本

PDF
TL;DR人类决策和情绪，尤其是罪恶感和后悔的复杂关系，对行为和幸福感有重要影响。本研究介绍了一个数据集，专门研究罪恶感和后悔以及它们特有的文本标记之间的关系，填补了情感计算研究中的一个重要空白。我们将罪恶感和后悔识别视为二元分类任务，并采用三种机器学习和六种基于 Transformer 的深度学习技术来评估新创建的数据集。研究还采用了创新的思维链和思维树推理方法来评估模型的解释逻辑。结果表明，相较于最佳机器学习分类器的 85.3% 得分，基于 Transformer 的模型取得了明显的性能优势，达到了 90.4% 的宏 F1 分数，展示了它们在区分复杂情绪状态方面的优越能力。
发现论文，激发创造
  • 基于 Transformer 的文本罪犯检测

    研究通过探索三种基于 transformer 的语言模型在文本中检测负罪感的适用性，并比较它们在一般情绪检测和负罪感检测中的性能，发现我们提出的模型的性能较 BERT 和 RoBERTa 模型分别高出两点和一点。此外，通过对结果的定性分析，我们评估了模型在检测与 “羞愧” 等相关情绪方面的有效性，并分析了开发准确的负罪感检测模型所面临的挑战。

    Jan, 2024

  • 文本中的罪恶感检测：了解复杂情感的一步

    我们介绍了一项名为 “Guilt detection” 的新颖自然语言处理（NLP）任务，该任务专注于检测文本中的负罪感，我们创建了一个名为 VIC 的数据集，内容涵盖了三个现有情感检测数据集中的 4622 个文本，我们使用传统机器学习方法进行了实验，使用词袋和词项频率 - 逆文档频率特征，并获得了最高性能的模型的 72％的 f1 分数。这项研究为理解文本中的负罪感迈出了第一步，并为该领域的未来研究开启了大门。

    Mar, 2023

  • 情感计算的深度学习：决策支持中基于文本的情感识别

    本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

    Mar, 2018

  • 新闻报道中的同理心和悲痛建模

    本文提出了第一个公开可用的用于检测共情能力预测的标准，采用单项量表的方法可靠捕捉了作者对共情能力的评估，同时也是第一个区分多种共情形式的计算模型，实验表明 CNN 模型表现最佳。

    Aug, 2018

  • 从 EEG 中揭示情绪：一个基于 GRU 的方法

    通过使用 Gated Recurrent Unit (GRU) 算法，该研究检测了使用 EEG 信号来预测情绪状态的能力，结果表明该模型在验证集上达到了 100% 准确率，并且与其他机器学习技术相比，GRU 模型的极限梯度提升分类器具有最高的准确性，这项研究强调了类似 GRU 的深度学习模型在情绪识别中的潜力以及情感计算的进展，发现为与计算机交互和理解情绪如何通过脑电波活动表达提供了新的可能性。

    Jul, 2023

  • 社交媒体帖子的情绪检测

    研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪，并构建一个双向长短记忆神经网络（BiLSTM）和双向门循环单元（BiGRU）的集成模型，其中 BiGRU 模型表现最佳，准确率达 87.53％。此结果将有助于开发一个可视化情绪波动的决策工具。

    Feb, 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

  • 利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • 基于双向门控循环单元（GRUs）模型的文本情感分析与分类

    本研究探讨了在自然语言处理领域中文本情感分析和分类的重要性，并提出了一种基于双向门控循环单元（GRUs）模型的新方法。研究首先分析了包含六个情感标签的词云模型的文本，然后进行了数据预处理，包括删除特殊符号、标点符号、数字、停用词和非字母部分。随后，将数据集划分为训练集和测试集，并通过模型训练和测试，发现在训练过程中验证集的准确度从 85% 提高到 93%，增加了 8%；同时，验证集的损失值从 0.7 降低到 0.1，并趋于稳定，模型逐渐接近实际值，能够有效分类文本的情感。混淆矩阵显示模型对测试集的准确度达到 94.8%，精确度为 95.9%，召回率为 99.1%，F1 分数为 97.4%，证明该模型具有良好的泛化能力和分类效果。总之，本研究展示了一种有效的文本情感分析和分类方法，并取得了令人满意的结果。

    Apr, 2024

  • HiGRU: 层次化门控循环单元用于话语级情感识别

    本文提出了一种基于层次化门控循环单元的框架，解决了对话系统中表述级情感识别面临的诸多挑战，包括同一词汇在不同上下文中可能带有不同情感、一些情感在一般对话中很少出现以及难以捕捉到长程的上下文信息等，通过在底层 GRU 模型对词汇级输入进行建模，然后在上层 GRU 模型中捕捉表述级嵌入的上下文信息来解决这些挑战，并且进一步提出了 HiGRU-f 和 HiGRU-sf 两种变体来更好地利用词 / 表述级别的信息和长程上下文信息，并在三个对话情感数据集上进行了实验，结果表明我们提出的 HiGRU 模型在每个数据集上都至少比现有的最先进方法提高了 6.0％的效果。

    Apr, 2019