关于法语书面文本中的情感识别：以其表达方式为视角进行文本复杂性分析的一步

ACLMay, 2024

关于法语书面文本中的情感识别：以其表达方式为视角进行文本复杂性分析的一步

Emotion Identification for French in Written Texts: Considering their Modes of Expression as a Step Towards Text Complexity Analysis

PDF

Aline Étienne, Delphine Battistelli, Gwénolé Lecorvé

TL;DR预测文本中句子是否表达情感，表达方式，句子的复杂性以及情感类别，并通过使用数据集和模型，将情感的不同表达方式整合进自然语言处理中。

Abstract

The objective of this paper is to predict (A) whether a sentence in a written text expresses an emotion, (B) the mode(s) in which it is expressed, (C) whether it is basic or complex, and (D) its emotional category. One of our major contributions, through a dataset and a model, is to integrate the fact that an emotion can be expressed in different modes: from

emotion prediction expression modes lexicalized expression indirect expression written texts

发现论文，激发创造

自然语言处理用于情感认知分析

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

文本情感检测综述

文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

Jun, 2018

多模态情感分析探索情绪结构

本文提出一种新的多模态情感分析方法，使用深度神经网络结合视觉分析和自然语言处理，旨在推断用户潜在的情感状态并且在社交网络中应用此方法实现自我报告的情感标签的预测，实验证明该模型的性能优于仅基于图像或文本的单独模型，并具有与情绪相关的合理词汇列表。

May, 2018

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

基于深度多模态学习的口语情感识别

本文提出了一种新颖的深度多模态框架，基于句子级别的口语语言预测人类情感，通过混合式的深度多模态结构从文本和音频中提取高级特征，再使用三层深度神经网络将所有特征融合起来进行训练，实现整个结构的最优全局微调，结果表明本文框架在 IEMOCAP 数据集上达到了 60.4% 的加权准确率。

Feb, 2018

多模态情感分类

本文研究社交媒体中 emoji 图标的情感分类问题，并探讨了不同的多模态官能（文本、emoji 和图片）在此问题中的作用，结果表明三种官能可互补，最高准确度达到 71.98％。

Mar, 2019

基于情感和语义的文本对话情感检测方法

本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪，讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案，该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。

Jul, 2017

基于文本的情感自动分类：不同数据集的比较探索

本研究旨在探索情感分类中的新数据集和深度学习模型在数据特征不同时的表现，结果发现 RoBERTa 模型在所有情况下表现最佳，并测试了这些模型对实际社交媒体帖子的适用性。

Feb, 2023

社交媒体上图像和文字表达情感的互补性

本文提供具有新颖性的英文 Reddit 帖子语料库，研究多模式社交媒体上图文情感信息的互补性，发现对于某些情感信息如愤怒和悲伤，多模式模型可以更好地预测；而对于某些信息如恶心、喜悦和惊讶，仅以文本信息便足够预测。

Feb, 2022

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