EERPD:利用情绪和情绪调节提升个性检测
本文提出一种基于深度学习的方法,结合了卷积神经网络和 AdaBoost 算法对人格进行自动识别,并在 Essay 数据集上得到了比机器学习和深度学习方法更优的实验结果。
Jan, 2022
本研究针对情感角色标注进行实验,发现在情感体验者的识别上存在困难,但详细提出了一套自动情感体验者检测实验并于此基础上进行情感识别,表明在注释不充分的情况下,进行情感体验者识别可以提高情感识别的准确性。
May, 2023
本文综述了情感计算领域中采用的用于自动预测人格特质的机器学习模型,重点是基于深度学习的方法以及多模态方法,包括了计算数据集,实际应用及最新的机器学习模型。
Aug, 2019
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
我们的研究表明,融合用户情感检测和面向任务对话模型能够相互受益,并且是一种值得考虑的替代方法。我们的方法通过扩展用户情感检测到 SimpleToD,一个端到端的面向任务对话系统,来实现无缝融合,并基于单一的语言模型来做到此事。通过在 EmoWOZ 基准上使用 GPT-2 和 Llama-2 评估我们的方法,结果显示用户情感检测和任务结果的整体性能有所提高。我们的研究还表明,用户情感可以为系统响应提供有用的上下文条件,可以通过利用这些情感进一步提高响应的共情性。
Jan, 2024
提出了一种双增强网络(DEN)来共同建模用户的长期和短期个性,以进行文本个性检测,并在两个个性检测数据集上展示了 DEN 模型的效果和同时考虑个性特征的动态和稳定性的益处。
Apr, 2024
本文提出一种整合技术和促进人文学科教学方法发展的解决方案,通过在沉浸式空间内整合情感监测,开发了实时情感检测的脑电波系统,以创造综合和沉浸式学习环境。
Jan, 2024
利用预训练语言模型的提示学习方法,采用数据增强和模型组合,实现了计算机对主观性、情感和社交媒体分析领域的个性预测任务,同时提供了在线软件演示和代码的方便研究。
Mar, 2022
本研究使用新的情感叙事法和机器学习方法,基于 Component Process Model 的理论框架,研究了由行为、感觉、思考和场域组成的情感构成,证明了每个情感组成都对情感分类有积极影响,同时考虑所有情感组成的综合表现是最佳的,利用预训练语言模型来预测离散情感是有效的,揭示了情感组成表达方式的不同之处。
May, 2023