EMNLPJun, 2024

EMO-KNOW：情感和情感原因的大规模数据集

PDF
TL;DR近年来，情绪原因分析引起了研究人员的关注。为了填补现有数据集在规模和情绪类别数量上的限制，并提供更具抽象性和可推广性的根本原因，我们引入了一个由 1500 万个清理后的推文构成的大规模情绪原因数据集。我们描述了我们的筛选过程，其中包括全面的数据收集、清理、标记和验证流程，以确保数据集的可靠性和丰富性。我们提取情绪标签，并提供导致情绪的事件的抽象化摘要。最终的数据集包括超过 70 万个推文和对应的情绪 - 原因对，涵盖了 48 个情绪类别，并由人工评估员进行了验证。我们数据集的新颖之处在于它涵盖了广泛的情绪类别，并提供了抽象的情绪原因，从而促进了情绪 - 原因知识图谱的细致推理。我们的数据集将使得能够考虑不同人对同一事件的多样化情绪反应的情绪感知系统的设计成为可能。
emotion-cause analysisdatasetemotion categoriesabstractive summarizationemotion-aware systems
发现论文，激发创造
  • 识别对话中的情感原因

    该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。

    Dec, 2020

  • 微博情感因素的概念层面检测

    本文提出了一个基于概念级别的情感原因模型（CECM），结合改进的基双词主题模型和上下文敏感的 PageRank 算法来发现热点事件在微博用户中引发多样化情绪的原因，实验结果表明 CECM 可以比基准方法更好地检测情感原因。

    Apr, 2015

  • GoEmotions：一份包含细致情绪的数据集

    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

  • 情感因果抽取的多任务学习与适配知识模型

    本研究提出利用常识模型和多任务学习相结合的方法，在情感识别和情感原因标记方面取得显著成效，并在模型性能分析方面进行了全面深入的探究。

    Jun, 2021

  • 情感起因提取的问答方法

    通过深度记忆网络和卷积神经网络，我们将情感诱因提取作为阅读理解任务。性能评估结果表明，我们的方法在最新发布的情感诱因数据集上实现了最新技术表现，并且在 F-measure 上至少比多个基准线高 3.01%。

    Aug, 2017

  • 在自然环境中情感识别的图像数据集：FindingEmo

    我们引入了 FindingEmo，一个新的图像数据集，包含对 2.5 万张图片的注释，专门用于情绪识别。与现有数据集相反，它专注于描绘多个人物在各种自然、社交环境中的复杂场景，注释是整体进行的，超越了传统对人脸或单个人的关注。注释的维度包括情感价值、情感激动和情绪标签，使用 Prolific 收集注释。除了注释，我们还发布了指向原始图片的 URL 列表，以及所有相关的源代码。

    Feb, 2024

  • 对话中提取情绪原因跨度和蕴含的多任务学习框架

    该研究提出了一种基于神经网络的情感预测模型 MuTEC，旨在从对话中提取情感表达的原因，并针对此目标设计了情感原因跨度与因果语句判定的多任务学习框架，比现有基线模型表现更好

    Nov, 2022

  • 抑郁情绪多标签分类的新颖数据集

    通过对 DepressionEmo 数据集进行情感、时间分布和语言分析，并使用文本分类方法，特别是 BERT 模型，研究表明该数据集在通过文本分析来识别抑郁症患者的情感上具有一定的价值，其中自杀意图情感所达到的最高 F1-Macro 值表明了这一点。

    Jan, 2024

  • MojiTalk: 大规模生成情感回应

    借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

    Nov, 2017

  • ArmanEmo：用于文本情感检测的波斯语数据集

    介绍了一个超过 7000 个波斯语句子的人工标注情感数据集 ——ArmanEmo，该数据集基于 Ekman 的六种基本情感和 “其他” 类别标注，同时提供了基于现代语言模型的情感分类基线模型。实验结果表明，该数据集具有超越现有波斯语情感数据集的更好泛化能力。

    Jul, 2022