Nov, 2024

高级大语言模型框架 SentiXRL 在复杂文本环境中的多语言细粒度情感分类

HTML
PDF
TL;DR本研究针对多语言及复杂文本环境中的细粒度情感分类问题，提出了情感跨语言识别与逻辑框架 SentiXRL。该框架通过情感检索增强模块和自循环分析协商机制，提高了情感分类的准确性，并在多项标准数据集上验证了其优越性，尤其是在 CPED 和 CH-SIMS 上表现突出。
发现论文，激发创造
  • 利用大量弱监督数据进行多语言情感分类

    本文提出了一种新的多语言情感分类方法，使用了大量的弱监督数据训练多层卷积网络，通过在多种语言数据集上进行充分的评估，证明该方法的优异性能，达到了同类研究的最高水平。

    Mar, 2017

  • 基于大型预训练语言模型的实用文本分类

    本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。

    Dec, 2018

  • XED: 用于情感分析和情绪检测的多语言数据集

    介绍了一种名为XED的多语种细粒度情感数据集，其中包含人工标注的芬兰语（25k）和英语句子（30k），以及其他30种语言的预测注释，并使用Plutchik的核心情感方法注释该数据集，并添加了中性标签以创建一个多标签多类数据集。使用特定于语言的BERT模型和SVM进行仔细评估，表明该数据集与其他相似数据集相当，因此是情感分析和情感检测的有用工具。

    Nov, 2020

  • 大规模多语言情感分类器评估

    研究评估11种模型在27种语言中进行情感分析任务。

    Apr, 2022

  • 混合语文本数据的渐进情感分析

    本研究提出了一种基于多语言变形器语言模型的框架，将区分资源丰富和资源贫乏语言作为参考来逐步从资源丰富语言的样本到资源贫乏语言的样本进行训练，来解决多语言情感分析中的跨语言学习问题。实验证明，该框架能有效帮助资源贫乏语言的样本训练。

    Oct, 2022

  • 大规模多语种情感数据集和多方面情感分类基准

    该研究提供了一个由79个数据集组成的开放性跨语言语料库，可用于培训情感模型，同时展现了基于不同基础模型、训练目标、数据集集合和微调策略所进行的数百次实验的多方面情感分类基准。

    Jun, 2023

  • TEII: 跨语言情感检测中的思考、解释、交互和迭代

    我们参与了Explainability of Cross-lingual Emotion Detection（EXALT）共享任务，在情感检测子任务的评估集上实现了0.6046的F1分数，超过基准模型0.16个F1分数，并在竞争系统中排名第二。我们通过使用Fine-tuning、Zero-shot learning和Few-shot learning方法在基于Large Language Model（LLM）和非LLM的技术中，包括嵌入式的BiLSTM和KNN进行实验。此外，我们引入了两种新方法：多次迭代代理工作流和多二元分类器代理工作流。我们发现LLM方法对多语言情感检测提供了良好的性能。此外，将所有实验模型组合起来的集成模型比任何单一方法都有更高的F1分数。

    May, 2024

  • 大语言模型时代的跨语言情感分析模型竞技场：一项比较研究

    在跨语言情感分析领域，公共的小型多语言语言模型在零样本跨语言性能上优于大型通用语言模型，但在少样本跨语言设置中，公共的大型通用语言模型展现出更高的适应潜力。

    Jun, 2024

  • 大型语言模型是否对情感敏感？

    本文研究了大型语言模型（LLMs）对文本情感的检测和反应能力，填补了对其情感处理能力的评估缺口。通过一系列实验，发现LLMs在情感识别中存在一定敏感性，但准确性和一致性有显著差异，提示需改进其训练流程，以更好捕捉细微的情感线索。

    Sep, 2024

  • 跨语言情感检测的大型语言模型

    本研究解决了跨语言情感检测中的有效性问题，通过结合大型语言模型及其集成，显著提升了不同语言间的情感理解与分类能力。研究结果表明，整合多个模型的策略极大地提高了检测性能，并提供了未来改进的方向。

    Oct, 2024