- ACL关于法语书面文本中的情感识别:以其表达方式为视角进行文本复杂性分析的一步
预测文本中句子是否表达情感,表达方式,句子的复杂性以及情感类别,并通过使用数据集和模型,将情感的不同表达方式整合进自然语言处理中。
- 从图谱谱域的角度重新审视对话中的多模态情感识别
通过图谱视角,本文提出了基于图谱的多模态一致性和互补协同学习框架 GS-MCC,通过使用滑动窗口构建多模态交互图、利用高频和低频信息提取方法来反映长程一致性和互补性信息,并通过对比学习构建自监督信号,以提高高频和低频信息对实际情感的反映能力 - 情感智能人工智能研讨会情感预测竞赛解决方案
我们提出了一种简单而有效的单多模型方法 (ECSP),通过使用单模态信息来增强多模态模型的性能,并通过精心设计的提示来减少文化差异问题,从而预测一个人通过艺术作品和评论的情感。
- 语言模型在情感预测时(大多数情况下)不考虑情感触发因素
探讨情绪检测模型中情境事件对情绪预测的作用,引入 EmoTrigger 新数据集进行大型语言模型和微调模型对情绪触发器的定位和特征比较分析,结果显示情绪触发器在情绪预测中并非显著特征,而是与其他特征存在复杂的相互作用。
- 基于深度学习的情感导向行为模型
基于情绪行为模型的人工智能代理在预测和表达情绪、理解人类社交参数方面取得了重要进展。
- 情感建模的下一步是什么?大型语言模型
GPT-4 可以进行情感预测和情感强度的操纵,以及通过反向评估进行目标、信念和情感的预测。然而,它不能完全取代试图建模情感相关过程的作品,尽管语言模型在情感建模中有重要作用。
- ICCVSocratis:大型多模态模型是否具备情感意识?
Socratis 是一个社会反应基准测试,用于注释图像 - 标题对中的多种情绪及其产生原因。通过对现有模型的评估,发现人类更喜欢人工撰写的情绪原因,这表明该任务相比标准生成任务更具挑战性。同时,大型视觉 - 语言模型的字幕度量标准也未能与人 - WEARS:利用实时传感器数据的可穿戴情感人工智能
使用智能手表传感器预测用户情绪,通过使用英文和区域语言视频收集数据,将问题建模为二元分类,并使用多个机器学习模型进行试验,发现多层感知器对愉快 - 不愉快情绪的分类具有最高准确率达到 93.75%。
- MuSe 2023 多模态情感分析挑战赛:模拟情绪、跨文化幽默和个性化
该研究介绍了 MuSe 2023 的数据集、子挑战和提供的特征集,其旨在聚集来自不同研究领域的广泛受众,如视听情感识别、自然语言处理、信号处理和健康信息学,在多模态情感和情感分析方面提出了三个不同的子挑战,包括模仿情感、跨文化幽默检测和个性 - 面向情感预测的多重监督情感原因对抽取方法
本研究提出了一种基于情感预测的端到端情感原因抽取方法 (EPO-ECPE),通过同步机制和真假对照监督学习,提高情感原因抽取的准确性和易用性。实验结果表明,该方法超过了 13 个系统,并达到了最新的最优性能。
- 非固定长度对话情感检测
本研究提出了一种利用特定的上下文窗口,包括两种具体建模方法和一种合适的规范化方式,用于在多个公共数据集上预测情感的方法。
- 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
- 利用社交图网络进行情感预测
通过手机感应数据和社交网络构建及机器学习算法综合分析多个用户和时序特征,利用社交网络对情感进行预测。
- AttendAffectNet: 基于自注意力网络从电影中预测情感响应
本文提出不同变体的自我注意力机制网络,用于从电影中预测情感,融合音频和视频,结合多模态关系,并将自我注意力机制应用于情感预测的特征提取中,证明其在 COGNIMUSE 数据集和 MediaEval 2016 情感影响任务中比时域的自我注意力 - 从分类情绪中实现情绪的维度检测
本文介绍一种使用 RoBERTa-Large 进行监督学习,通过最小化预测 VAD 得分分布与分类情感分布之间的 EMD 损失,同时分类情感类别和预测 VAD 得分的方法,其在情感分类和与地面真值 VAD 得分之间具有显著的正相关性,并利用 - EMNLP神经个人辨别的情感检测
本文提出了一种新的情感预测方法 —— 神经个性化识别 (NPD),通过对社交媒体用户的个人属性进行分析,找到具有相似个人属性的用户,从而更好地捕捉不同帖子之间的社会关系,并采用注意机制和对抗判别器来判断个人属性,实验结果表明,该方法在捕捉个 - EMNLP基于门控循环神经网络和胶囊网络的隐式情感识别方法 ——Sentylic 在 IEST 2018 中的表现
本文介绍了我们在 Implicit WASSA 2018 的情感预测比赛中所用的系统,使用了 GRU 和 Capsule Network 的模型,并利用预训练的词嵌入来将上下文信息引入模型,最终取得了 0.692 的 F1 评分。
- 基于深度多模态学习的口语情感识别
本文提出了一种新颖的深度多模态框架,基于句子级别的口语语言预测人类情感,通过混合式的深度多模态结构从文本和音频中提取高级特征,再使用三层深度神经网络将所有特征融合起来进行训练,实现整个结构的最优全局微调,结果表明本文框架在 IEMOCAP