梦境叙事中的字符和情绪检测的序列到序列语言模型
采用大型语言模型来解决自然语言处理工具在梦境研究中的局限性,通过使用混合的现成和定制方法,特别关注情感参考,最终表明我们的方法可能在大型梦境数据集的分析中应用,并可能有利于研究结果的可重复性和比较性。
Feb, 2023
该研究利用 VIST 数据集,提出了一个模型,通过隐式学习提供的角色之间的关系,生成关注的角色的故事,旨在解决基于图像序列生成故事时,模型忽略可能存在的人和动物角色的问题。
Sep, 2019
本文通过时间序列建模和高质量数据集的采集来建立动态情感刺激的模型,在此基础上介绍第一版本的斯坦福情感叙述数据集(SENDv1)。该数据集是自我节奏、非手稿的丰富、多模态视频,标注情感质量随时间的变化,为情感计算的当代时间序列方法提供了挑战,并通过多种基准和最先进的建模方法展示了良好的表现。
Nov, 2019
本研究提出了一种新颖的神经网络框架,将预先训练好的字级知识和字符感知神经语言模型相结合,利用转移学习技术实现不依赖于额外监督信号的序列标注任务,并在基准数据集上通过大量实验验证了其有效性和高效性。
Sep, 2017
本文介绍了一种基于文本的情感检测语料库及其在多方对话文本上对情感分类的深度学习模型,该模型优于现有方法。该文首先提出了一个新的语料库,提供了 Friends 节目中对话连续发言中七种情感的标注。作者提出了四种基于序列卷积神经网络的模型,其中最好的模型在细粒度和粗粒度情感的准确性分别达到了 37.9% 和 54%。
Aug, 2017
比较基于单词和字符的序列到序列模型在数据到文本自然语言生成方面的表现,进一步分析了两者输入表示之间的差异和生成文本的差异性,并通过对模板产生的合成训练数据的控制性实验展示神经模型学习新组合模板的能力。
Oct, 2018
此研究提出并介绍了拥有角色描述的文学作品摘要数据集 LiSCU,探索了文学角色理解中的新领域,并通过使用预训练语言模型进行的实验,表明需要更好的叙事理解模型。
Sep, 2021
本篇论文提出了一种基于字符的端到端序列 - to - 序列模型,具有注意力机制、不需要词汇处理,以及包含常规生成机制和复制输入事实以产生输出的复制机制,同时提出了一个新的数据集 E2E+,并表明该模型在五个常用度量标准下的性能逊于基于字符和基于词汇的方法。
Apr, 2019
本文介绍了一种基于编码 - 解码循环神经网络的数据驱动用户模拟器,能够更具上下文准确输出用户意图,相较于基于议程和 n-gram 的模拟器,在 DSTC2 数据集上获得更高的 F-score,展示了更精细分类用户行为的能力。
Jun, 2016