- 表情译文:为任意文本丰富表情符号
通过大型语言模型的帮助,Emojinize 方法能够将任意文本短语翻译为一个或多个表情符号序列,以增强其表达能力。经过用户研究,我们发现 Emojinize 的表情符号翻译能够提升掩盖词的猜测性,表情符号的选取比人工选择的表情符号翻译提高了 - EmojiLM: 建模新的表情符号语言
通过从大型语言模型合成大规模的文本 - 表情符号平行语料库,并在此基础上提取面向文本 - 表情符号双向翻译的序列到序列模型,我们的研究在公共基准测试和人工评估中表现出优于强基准模型的性能,且平行语料库对与表情符号相关的后续任务有益。
- 评估 ChatGPT 在多语言和基于表情符号的仇恨言论检测中的性能
对 ChatGPT 语言模型进行 11 种语言中的仇恨言论检测和 emoji 影响分析,揭示模型的缺陷和需要进行进一步研究和改进的必要性。
- ACL用情感反转和语义不协调生成带讽刺意味的表情符号语句
论文提出一种新颖的基于 Emoji 的讽刺生成方法,通过将生成任务分为文本和 Emoji 收集两个子任务,运用相反情感和语义不协调等两个元素来生成文本讽刺,最后通过人工评估验证其可行性。
- EMNLP无言以对:基于表情符号语义漂移的建模
本研究论文探讨了 emoji 在社交和语言意义上的演变,通过研究语义漂移的框架来分析 emoji 现象及相关特征的影响因素。
- ICCV面带微笑,心情愉悦 :) 基于 Emoji 的视觉情感分析
本研究提出了一种基于与误码相关的大规模数据集的情感定位图像嵌入方法,在 Twitter 数据集上使用表情符号来训练深度神经模型,有效地解决了对象分类模型在情感分析中的限制,其结果在公共情感分析基准测试中表现出优秀的性能。同时,研究者还基于表 - 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%。
- 新模态:表情符号在预测、预期和检索方面的挑战
本文探讨了将表情符号视为一种新的语言交流媒介的可能性,并基于采集自 Twitter 的数据集,实现了从文本和图像中预测表情符号的功能。同时,也初步解决了如何处理新的表情符号和使用表情符号进行多媒体检索的问题。
- 基于语义的 Emoji 相似度度量
本篇研究旨在通过 EmojiNet 知识库中的可机器读取 Emoji 意义,通过不同的训练语料库,利用 Emoji 描述、 Emoji 感觉标签和 Emoji 感觉定义等信息开发和测试多种嵌入模型来衡量 Emoji 相似度,并开发了名为 E - AAAIEmojiNet:一个开放的服务和 API 用于寻找表情符号的意义
该研究介绍了 EmojiNet,这是最大的机器可读表情符号意义库,它将从网络中提取的 Unicode 表情符号与其对应的英文含义相关联。该数据集包括:(i)12,904 个语境标签,涵盖 2,389 个表情符号,这些标签从 Web 中提取并 - WWW透过性别镜头:从大规模 Android 用户中学习 Emoji 的使用模式
本文基于智能手机用户使用表情数据集,探究性别间表情使用方面的差异,研究发现性别在表情使用上显著不同,并构建机器学习算法基于表情推断用户性别,从而提供一种非文本或语境信息的用户性别推断模型,克服文本和元数据对用户隐私的泄露风险。
- 对话系统中的神经网络表情建议
本文提出了一种基于 H-LSTM 模型和 softmax 分类器的方法,以自动推荐相关的 Emoji 表情符号,以更好地传达情感信息。实验结果表明,该方法在情感识别任务上具有优秀的性能,能够更好地捕捉上下文信息和情感流动。