- 基于机器学习的 NLP 在霍乱 X 数据集上的情感分类
该研究旨在分析关于霍乱的社交媒体帖子中表达的情绪,使用自然语言处理工具、机器学习模型等方法进行情感分类,结果显示 LSTM 模型的准确率最高,情感分类对于深入了解霍乱对社会的影响具有潜在的作用,并能为公共卫生战略的制定提供有效干预措施。
- 一步到位:基于分离的主题 - 上下文 Transformer 的单阶段情感识别
运用 Decoupled Subject-Context Transformer (DSCT) 实现了一种单阶段的情感识别方法,同时实现了主体定位和情感分类,在两个常用的上下文感知情感识别数据集上取得了比两阶段方法更好的性能。
- 融合声学和基于文本特征的情感识别的方法
使用声学和文本特征,研究通过不同方法对语言情感进行分类的研究。使用 BERT 获取情感转录中所包含信息的上下文化词嵌入,相比使用 Glove 嵌入,结果表明表现更好。我们还提出并比较不同的音频和文本模式结合策略,并在 IEMOCAP 和 M - SensoryT5: 将感知动作规范融入 T5 以增强细粒度情绪分类
传统研究方法中,感知和情感分类被认为是独立领域,然而,感官经验对情绪反应的重大影响是不可否认的。为了弥补这一差距,我们提出了 SensoryT5,这是一种将感官信息整合到 T5 模型中的神经认知方法,专门用于细粒度情感分类。这种方法将感官线 - 基于 Transformer 的情感检测:一项比较研究
本研究探讨了基于 Transformer 模型在文本数据情感分类上的应用。我们训练和评估了几种预训练 Transformer 模型,并对 Transformer 层的微调、可训练性以及文本数据预处理等因素进行了分析。我们的分析发现,常用的技 - ACL社会语言学驱动的可解释性:一项关于印汉混合语情感分类的案例研究
通过研究语言对情绪预测的影响,我们发现预训练语言模型可以学习语言选择与情感表达之间的关联,尤其在混合语料数据稀缺时,这种学习可以由预训练中的混合语料数据增强,但模型可能过度泛化这种启发式策略,导致在其他情况下出现分类错误。
- 使用英文提示比目标语言提示更好地进行基于 NLI 的零射手情感分类
情感分类是一个具有挑战性和主观性的任务,需要解释文本刺激所需的认知推理过程。本文针对存在的研究空白,探讨了在非英语文本中使用哪种语言进行情感标签提示的问题,并通过自然语言推理基于语言模型的实验结果表明,即使数据来源是不同语言,使用英语提示更 - 基于图对比学习的双阶段多模态情感识别模型
我们提出了一种基于图形对比学习的两阶段情感识别模型(TS-GCL),通过将多模态数据与其他结构引入图形对比学习(GCL)策略,来学习模态内部和模态之间的相似性和差异性,并且通过两次使用 MLP 来实现最终的情感分类,实验证明,TS-GCL - WikiMT++ 数据集卡片
WikiMT++ 是 WikiMusicText (WikiMT) 的扩展和改进版本,包括 1010 个精选的 ABC 符号音乐简谱。为了增加 WikiMT 的应用场景,我们添加了客观属性(专辑、歌词、视频)和主观情感(12 个情感形容词) - 基于多标签联合解码的层次音视频信息融合在 MER 2023 上的应用
我们提出了一个用于识别离散和维度情感的新框架,通过从基础模型中提取的深度特征作为原始视频的鲁棒声学和视觉表示,设计了三种基于注意力引导特征汇集的不同结构用于深度特征融合,并在解码阶段引入了联合解码结构用于情感分类和价值回归。我们还设计了基于 - 利用标签信息进行多模态情感识别
通过利用标签信息进行多模态情绪识别,我们提出了一种新的方法,通过标签 - 令牌和标签 - 帧交互来学习每个话语的标签增强文本 / 语音表示,并设计了一种新的标签引导的注意融合模块,以融合具有标签意识的文本和语音表示进行情绪分类,实验证明该方 - 情绪角色标注与基于评价的情绪分析的连接
情感分析涵盖了各种自然语言处理任务,其共同目标是使计算机能够理解情感。本文综合了 SEAT 和 CEAT 项目的研究结果,并指出了开放性研究问题。
- 个性化和泛化方法在使用消费级可穿戴设备进行情绪识别方面的比较:机器学习研究
我们研究了使用可穿戴生物信号数据进行三类情绪分类(中性、压力和娱乐)的个性化和普遍化机器学习模型之间的差异,并发现个性化模型在特定情境下表现优于普遍化模型。
- 人类情感的不确定度测量
这项研究探讨了计算机评估人类表达的情绪并利用该数据执行不同任务的能力,以及计算机生成情绪分类信息以帮助用户做出决策或执行任务的能力。实验结果表明,显示更多的不确定信息可以帮助用户在做出决策时更有信心。
- WASSA 2023 共享任务中的 VISU:利用 BERT 和堆叠嵌入检测新闻反应中的情感
我们的系统 VISU 参与了 WASSA 2023 共享任务(3),对以新闻文章为反应的论文进行情感分类。通过深度学习模型使用单词嵌入表示与定制的预处理策略相结合,我们专注于捕捉情感表达的细微差异。我们的实验使用静态和上下文嵌入(个体和堆叠 - 一种具有图平滑信号的混合时空注意力神经网络用于 EEG 情绪识别
我们引入了一个深度神经网络用于情感分类,通过混合的时空编码和循环注意网络块获取可解释的生理学表示,并应用图信号处理工具对原始数据进行预处理以在空间域中进行图平滑。我们证明了我们的架构在公开可用的 DEAP 数据集上超过了最先进的情感分类结果 - MM跨语言语音情感识别:使用多模态双重注意力变换器
本研究提出了一个利用基于多模态双重注意力变换器模型,结合图注意力与协同注意力,以提高跨语言情感识别性能,在 4 个公开数据集中获得了优秀表现的方法。该方法在高层次特征表示方面利用 Transformer 编码层来提高情感分类精度,并通过在各 - 情感回归和分类任务中处理单一和多模态的多功能视听学习
提出了用于处理单模式和多模式情感情况的多功能音视频学习框架,通过音视频共享层,残差连接和单模态重构任务实现有效的表示学习,在情感属性预测任务上达到了新的最先进性能。
- 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。
- 基于聚类的深度集成学习在网络模因情感分类中的应用
本文提出了一种混合模型(CDEL),并基于表情相似性聚类来增强模型,以实现在表情类别分类的有效性,具有深度学习和聚类算法的优点,从而在情感分类基准数据集上实现比基线模型更优越的性能和最新技术性能。