低资源和中等资源语言中的情绪分类

Feb, 2024

低资源和中等资源语言中的情绪分类

Emotion Classification in Low and Moderate Resource Languages

Shabnam Tafreshi, Shubham Vatsal, Mona Diab

TL;DR通过跨语言情感分类器，我们通过在资源丰富的语言（英语）上进行训练，并将其应用于资源匮乏的和濒危的语言，成功地实现了情感的跨语言传递和分析。

Abstract

It is important to be able to analyze the emotional state of people around the globe. There are 7100+ active languages spoken around the world and building emotion classification for each language is labor intensive. Particularly for low-resource and endangered languages, building emotion classification can be quite challenging. We present a cross-lingual em

cross-lingual emotion classifier transfer learning low-resource languages direct transfer emotional state analysis

发现论文，激发创造

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

使用情感词典为低资源语言生成高质量情感曲线

本文通过定量和系统地评估，比较了两种情感环路的常见方法：机器学习模型和仅词典方法。为了在世界范围内从情感相关研究中得出有意义的结论（从而避免西方中心主义偏见），作者说明使用自动翻译的英语情感词典可以用于生成高质量的情感弧。

Jun, 2023

为 91 种语言学习和评估情感词典

该研究提出了一种用源语言情感词汇表、双语词汇翻译模型和目标语言嵌入模型来创建任何目标语言情感词汇表的方法，并在全球 91 种语言中评估自动生成的词汇表，结果显示其产生的结果符合单语言方法创造情感词汇表的最新技术水平，甚至在某些语言和变量方面超过人工可信度。

May, 2020

低资源情感分析的迁移学习

本文描述了对库尔德语数据的情感分析数据集的收集和注释，并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。

Apr, 2023

适用于低资源多模态情感识别的情感嵌入模型转移技术

本研究提出了一种基于情感嵌入的模态可转移模型，通过学习映射函数将情感嵌入从文本空间转移到视觉和声学空间，进行多模态情感识别，在零 - shot 和 few-shot 情感识别场景下达到了最先进的性能。

Sep, 2020

使用深度学习技术对短英文文本进行情感分类

使用深度学习技术和 BERT 文本嵌入方法，对来自资源匮乏语言的有限文本数据集进行情感识别的研究，通过介绍 SmallEnglishEmotions 数据集验证了这些方法在准确分类数据集中的优越性。

Feb, 2024

基于表情符号的情感转移学习

该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

Feb, 2021

跨语料库多语言语音情感识别：阿姆哈拉语与其他语言

跨语言和多语言训练可以是资源稀缺的语言中训练情感识别分类器的有效策略。

Jul, 2023

跨语言跨年龄组适应低资源老年人语音情感识别

本研究探讨了情感识别在不同语言和年龄组之间的可转移性，结果表明不同的语言和年龄组需要特定的音频特征，并指出数据增强可以提高模型的准确性。

Jun, 2023

评估数据增强在低资源环境下情感分类的有效性

本研究评估了不同数据增强技术对低资源数据集上多标签情绪分类任务的效果，并发现后向翻译技术超过基于自编码器的方法，每个训练实例生成多个示例进一步提高了性能，此外后向翻译生成了最多样化的单字和三字组合，这些发现证明了后向翻译在资源有限情况下提升情绪分类模型性能的实用性。

Jun, 2024