COVID-19 Public Opinion and Emotion Monitoring System Based on Time Series Thermal New Word Mining
School of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）；School of Computer Science and Cyberspace Security, Hainan University（海南大学计算机与网络空间安全学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）；Department of Mathematics and Computer Science, Northeastern State University（东北州立大学数学与计算机科学系）
随着新型疫情的传播和发展，识别疫情在公众情绪中的变化趋势，具有重要的参考价值。我们设计并实现了基于时间序列热度新词挖掘的新冠疫情舆情监测系统。提出了一种新的基于网络话题时间爆炸的词结构发现方案和一种适用于COVID-19舆情环境的中文情感分析方法。建立“Scrapy-Redis-Bloomfilter”分布式爬虫框架进行数据采集。该系统可以根据评论判断评论者的积极和消极情绪，还可以反映出希望，快乐和沮丧等七种情绪的深度。最后，我们改进了该系统的情感判别模型，并将COVID-19相关评论的情感判别误差与嘉谷深度学习模型进行了比较。结果表明，该模型具有较好的泛化能力和较小的判别误差。我们设计了一个大数据可视化屏幕，可以清晰地显示公众情绪的变化趋势，各种情绪类别的占比，关键词，热门话题等，充分直观地反映民意的发展。
2020-05-23 cs.CL cs.IR cs.SI
Machine Learning Algorithms for Depression Detection and Their Comparison
Central University of Kashmir（克什米尔中央大学）；IIT Patna（印度理工学院巴特那分校）；University of Kashmir（克什米尔大学）
文本情商在社交媒体平台上利用人类情感方面发挥着无处不在的重要作用。社交媒体平台拥有情感内容的特权，并被用于各种目的，如意见挖掘，情感挖掘和情感分析。这一数据分析也有助于预防社交媒体用户的在线欺凌、自杀预防和抑郁症检测。在这篇文章中，我们设计了一个自动抑郁检测在线社交媒体用户通过分析他们的社交媒体行为。所设计的抑郁症检测分类可以有效地用于挖掘用户的社交媒体交互，并且可以确定社交媒体用户是否患有抑郁症。底层分类器使用情感人工智能中最先进的技术制成，包括LSTM（长短期记忆）和其他机器学习分类器。分类器的最高准确率约为LSTM的70%，而SVM的最高准确率为81.79%。我们在文献中广泛用于情感挖掘任务的数据集上训练分类器。最后给出了结果的混淆矩阵。
2023-01-09 cs.AI cs.CL cs.IR
DialogueRNN: An Attentive RNN for Emotion Detection in Conversations
National University of Singapore（新加坡国立大学）；University of Michigan（密歇根大学）；Instituto Politécnico Nacional（国立理工学院）；Nanyang Technological University（南洋理工大学）
会话中的情感检测是许多应用程序的必要步骤，包括通过聊天历史进行意见挖掘，社交媒体线程，辩论，论证挖掘，了解实时对话中的消费者反馈等。在本文中，我们描述了一种基于递归神经网络的新方法，该方法可以跟踪整个对话中的各个当事人状态，并使用这些信息进行情感分类。我们的模型在两个不同的数据集上的表现明显优于现有技术。
2019-05-25 cs.CL
Analysis of the Evolution of Advanced Transformer-Based Language Models: Experiments on Opinion Mining
LYRICA Laboratory（LYRICA实验室）；School of Information Sciences（信息科学学院）
本文通过实验分析先进Transformer语言模型在观点挖掘中的表现，并进行高层次比较，为工程师选型和研究者后续方向提供指导。
2023-08-07 cs.AI cs.CL cs.LG
Sentiment-Aware Extractive and Abstractive Summarization for Unstructured Text Mining
Department of Information Systems and Analytics（信息系统与分析系）；National University of Singapore（新加坡国立大学）
本文提出一种结合情感意识的摘要方法，通过整合情感信号提升非结构化文本摘要的质量，以增强动态在线环境中的决策能力。
2025-12-23 cs.CL
UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）；China Mobile（中国移动）
针对LLM TTS难以可解释地合成细粒度情感语音的问题，提出UDDETTS框架，统一离散与维度情感，引入ADV空间并采用半监督训练，实现沿三个维度的线性情感控制，提升端到端合成性能。
2025-09-25 cs.AI cs.CL cs.LG
Identification of emotions on Twitter during the 2022 electoral process in Colombia
Universidad de Buenos Aires (UBA)（布宜诺斯艾利斯大学）；Instituto de Ciencias de la Computación, CONICET, Universidad de Buenos Aires（CONICET 布宜诺斯艾利斯大学计算机科学研究所）
本研究针对哥伦比亚西班牙语情绪检测资源匮乏的问题，构建了2022年哥伦比亚总统选举相关的小型西班牙语Twitter情绪标注语料库，对比了BERT模型与少样本设置下GPT-3.5的情绪分类效果，并公开了数据集和代码。
2024-07-09 cs.CL cs.LG
Detecting Emotion Drift in Mental Health Text Using Pre-Trained Transformers
Author（作者）
本研究利用预训练变换器模型检测心理健康文本中的情绪变化，通过分析句子层面的情感来识别情绪漂移模式。
2025-12-15 cs.AI cs.CL
Chinese Financial Text Emotion Mining: GCGTS -- A Character Relationship-based Approach for Simultaneous Aspect-Opinion Pair Extraction
Jiangxi University of Finance and Economics（江西财经大学）
针对中文金融文本AOPE任务中字符级编码忽略字符逻辑关系的问题，提出GCGTS方法，利用图卷积网络融合句法结构并引入图像卷积捕捉局部关系，显著提升了模型性能并减少了对预训练模型的依赖。
2023-08-04 cs.CL
Fine-Grained Emotional Paraphrasing along Emotion Gradients
Westview High School（西景高中）
释义生成，又称。释义是自然语言处理中的一项重要任务。情感释义，即在保持文本意义的同时改变文本中所体现的情感，具有许多潜在的应用，例如，主持在线对话和防止网络欺凌。我们引入了一个新的任务，细粒度的情感释义沿情感梯度，即改变情感强度的释义在细粒度以下的情感维度的平滑变化，同时保持原来的意义。我们提出了一个框架，通过多任务训练微调文本到文本的Transformers来解决这个任务。我们增强了几个广泛使用的释义语料库，通过注释的输入和目标文本与他们的细粒度的情感标签。有了这些标签，在这些语料库上微调文本到文本的Transformers需要多任务训练。在单独的测试集上对微调的Transformers的评估表明，在释义任务中包括细粒度的情感标签显著提高了获得所需情感的高质量释义的机会，即，超过一倍的数量的精确匹配所需的情绪，同时实现了一贯更好的分数在释义指标，如蓝色，ROGUE，和METEOR。
2022-10-30 cs.CL cs.LG
Analysis of Basic Emotions in Texts Based on BERT Vector Representation
Kognitivnie Sistemi（认知系统公司）
在下面的论文中，作者提出了一个GAN类型的模型，以及它在文本情感识别任务中发展的最重要阶段。特别是，我们提出了一种方法，用于生成一个人工标记的不完整数据的基础上的所有可能的情绪组合的合成数据集。
2021-01-31 cs.CL cs.LG
Context Unlocks Emotions: Text-based Emotion Classification Dataset Auditing with Large Language Models
University of Southern California（南加州大学）；Saudi Aramco（沙特阿美公司）
针对文本情绪分类数据集因缺语境导致标签与文本不一致的问题，提出文本语境正式定义与提示增强策略，用大语言模型合成额外语境，经双维度验证有效提升了标签一致性。
2023-11-06 cs.AI cs.CL
Do Stochastic Parrots have Feelings Too? Improving Neural Detection of Synthetic Text via Emotion Recognition
School of Computing, Dublin City University（都柏林城市大学计算学院）；SFI Centre for Research Training in Machine Learning at Dublin City University（都柏林城市大学SFI机器学习研究培训中心）；School of Computer Science and Statistics, Trinity College Dublin（都柏林圣三一学院计算机科学与统计学院）
针对预训练语言模型生成文本时缺乏情感驱动导致情感不连贯的问题，通过在情感数据上微调PLM开发情感感知检测器，在多种生成器、模型规模、数据集及领域均获显著提升，并超越ChatGPT自身识别能力。
2023-10-24 cs.CL cs.LG
Uncovering the Limits of Text-based Emotion Detection
Universitat Pompeu Fabra（庞培法布拉大学）；ISI Foundation（ISI基金会）
从文本中识别情感对于各种现实世界的任务至关重要。我们考虑两个最大的现有语料库的情感分类：GoEmotions，58k的消息标记的读者，和发泄，33M的作家标记的消息。我们设计了一个基准测试，并评估了几个特征空间和学习算法，其中包括两个简单而新颖的模型，这些模型是在BERT之上的，它们在GoEmotions上的表现优于之前的强大基线。通过与人类参与者的实验，我们还分析了作者如何表达情感和读者如何感知情感之间的差异。我们的研究结果表明，作者表达的情感比读者感知的情感更难识别。我们共享一个公共Web界面，供研究人员探索我们的模型。
2021-10-30 cs.CL cs.LG
ArmanEmo: A Persian Dataset for Text-based Emotion Detection
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Iran University of Science and Technology（伊朗科技大学）；Allameh Tabataba’i University（阿拉梅·塔巴塔巴伊大学）
随着最近社交媒体平台上开放文本数据的激增，文本情感检测（ED）在过去几年中受到了更多的关注。它有许多应用，特别是对于企业和在线服务提供商，其中情感检测技术可以通过分析客户/用户对其产品和服务的感受来帮助他们做出明智的商业决策。在这项研究中，我们介绍了ArmanEmo，这是一个人类标记的情感数据集，包含7个类别的7000多个波斯语句子。该数据集来自不同的资源，包括Twitter，Instagram和Digikala（伊朗电子商务公司）评论。标签基于Ekman的六种基本情绪（愤怒，恐惧，快乐，仇恨，悲伤，奇迹）和另一个类别（其他）来考虑Ekman模型中不包括的任何其他情绪。除了数据集，我们还提供了几个用于情感分类的基线模型，重点是最先进的基于transformer的语言模型。我们最好的模型在我们的测试数据集中实现了75.39%的宏观平均F1得分。此外，我们还进行了迁移学习实验，以比较我们提出的数据集的泛化与其他波斯情感数据集。这些实验的结果表明，我们的数据集具有优越的泛化能力，在现有的波斯情绪数据集。ArmanEmo可在https://github.com/Arman-Rayan-Sharif/arman-text-emotion公开用于非商业用途。
2022-07-24 cs.AI cs.CL
RuBioRoBERTa: a pre-trained biomedical language model for Russian language biomedical text mining
Sberbank Artificial Intelligence Laboratory（俄罗斯联邦储蓄银行人工智能实验室）
本文介绍了几种基于BERT的俄语生物医学文本挖掘模型（RuBioBERT，RuBioRoBERTA）。这些模型是在俄罗斯生物医学领域免费提供的文本语料库上进行预训练的。通过这种预训练，我们的模型在RuMedBench -俄罗斯医学语言理解基准测试中展示了最先进的结果，该测试涵盖了多种任务，包括文本分类、问答、自然语言推理和命名实体识别。
2022-04-08 cs.AI cs.CL
Comparison of Classical Machine Learning Approaches on Bangla Textual Emotion Analysis
University of Saarland（萨尔大学）；University of Chittagong（吉大港大学）
从文本中检测情感是简单情感极性检测的扩展。而不是只考虑积极或消极的情绪，情绪传达使用更有形的方式;因此，他们可以表达为许多灰色阴影。本文体现了我们的实验孟加拉语文本的细粒度情感分析的结果。我们收集并注释了一个文本语料库，该语料库由来自几个Facebook群组的关于社会经济和政治问题的用户评论组成，我们努力提取通过这些评论传达的基本情绪（悲伤，快乐，厌恶，惊讶，恐惧，愤怒）。最后，我们比较了五个最流行的经典机器学习技术，即朴素贝叶斯，决策树，k-最近邻（k-NN），支持向量机（SVM）和K-均值聚类与几种组合的功能的结果。我们的最佳模型（具有非线性径向基函数（RBF）内核的SVM）实现了52.98%的总体平均准确率得分和0.3324的F1得分（宏）
2019-07-18 cs.CL cs.LG
Performance Evaluation of Supervised Machine Learning Techniques for Efficient Detection of Emotions from Online Content
Gomal University（戈马尔大学）；National University of Modern Languages（国立现代语言大学）；Ton Duc Thang University（孙德胜大学）；Obuda University（欧布达大学）；Oxford Brookes University（牛津布鲁克斯大学）；J. Selye University（J·塞利大学）
从文本中检测情感是文本分析中的一个重要且具有挑战性的问题。意见挖掘专家正专注于情绪检测应用程序的开发，因为它们已经受到了包括用户和商业组织在内的在线社区的相当大的关注，以收集和解释公众情绪。然而，大多数现有的情感检测工作使用有限数据集的低效机器学习分类器，导致性能下降。为了克服这个问题，这项工作的目的是不同的机器学习分类器在基准情感数据集上的性能评估。实验结果表明，不同的机器学习分类器的性能在不同的评价指标，如精度，召回和f-措施。最后，一个具有最佳性能的分类器被推荐用于情感分类。
2019-08-05 cs.CL cs.IR cs.LG
Convolutional Attention Networks for Multimodal Emotion Recognition from Speech and Text Data
情感识别已经成为一个热门的研究课题，特别是在人机交互领域。以前的工作涉及单峰分析的情绪，而最近的努力集中在多模态的情绪识别从视觉和语音。在本文中，我们提出了一种新的方法，使用卷积注意力网络来学习语音和文本数据之间的隐藏表示。与采用简单的特征向量拼接的浅层模型相比，所提出的注意力模型在从CMU-MOSEI数据集中包含的语音和文本数据中分类情感方面表现得更好。
2019-03-08 cs.AI cs.CL cs.HC
Mining Healthcare Procurement Data Using Text Mining and Natural Language Processing -- Reflection From An Industrial Project
Information School, the University of Sheffield（谢菲尔德大学信息学院）；Vamstar Ltd.（Vamstar有限公司）
虽然文本挖掘和NLP研究已经建立了几十年，但在报告这些技术在构建真实世界应用程序中的使用的文献中仍然存在空白。例如，他们通常只关注单一的，有时甚至是简化的任务，而不深入讨论现实世界中常见的数据异构性和不一致性，或者它们对方法开发的影响。此外，很少有以前的工作集中在医疗保健领域。在这项工作中，我们描述了一个行业项目，该项目开发了文本挖掘和NLP解决方案，以挖掘医疗保健行业数百万个异构的多语言采购文档。我们提取结构化的采购合同数据，用于为动态评估供应商风险的平台提供动力。我们的工作在许多方面做出了独特的贡献。首先，我们处理高度异构的多语言数据，并记录我们应对这些挑战的方法。这主要是基于一种有效使用领域知识并推广到多种文本挖掘和NLP任务和语言的方法。其次，应用这种方法挖掘数以百万计的采购文件，我们开发了第一个结构化的采购合同数据库，这将有助于促进招标过程。第二，最后，我们讨论了实际的文本挖掘/NLP开发的经验教训，并为未来的研究和实践提出建议。
2023-01-09 cs.AI cs.CL
Emotion Identification for French in Written Texts: Considering their Modes of Expression as a Step Towards Text Complexity Analysis
Univ. Paris-Nanterre（巴黎第十大学）；CNRS（法国国家科学研究中心）；Orange（法国电信橙公司）
本文提出一个模型和数据集，用于预测法语书面文本中句子的情感表达与否、方式、基本/复杂类别及情感类别，并考虑直接与间接表达方式，实验结果显示优于无微调的大型语言模型。
2024-05-23 cs.AI cs.CL
"Only ChatGPT gets me": An Empirical Analysis of GPT versus other Large Language Models for Emotion Detection in Text
LIRMM UM5506 - CNRS, Université de Montpellier（蒙彼利埃大学、法国国家科学研究中心联合LIRMM UM5506实验室）
本文实证比较了 GPT 与其他大型语言模型在 GoEmotions 数据集上的文本情绪检测能力，发现 GPT 表现突出，为提升人机交互中的情感理解提供了依据。
2025-03-05 cs.AI cs.CL
A Brief Survey of Text Mining: Classification, Clustering and Extraction Techniques
University of Georgia（佐治亚大学）
每天生成的文本数量正在急剧增加。这些大量的非结构化文本不能简单地被计算机处理和感知。因此，需要高效和有效的技术和算法来发现有用的模式。文本挖掘是从文本中提取有意义信息的任务，近年来受到了广泛的关注。在本文中，我们描述了几个最基本的文本挖掘任务和技术，包括文本预处理，分类和聚类。此外，我们简要介绍了文本挖掘在生物医学和医疗保健领域。
2017-07-28 cs.AI cs.CL cs.IR
Speech and Text-Based Emotion Recognizer
National University of Singapore（新加坡国立大学）
针对公开语音情感数据集稀缺且标签不均衡的问题，本研究通过合并数据集与语音增强技术构建均衡语料，提出多模态语音文本融合情感识别模型，其UA与WA之和显著优于基线。
2023-12-10 cs.AI cs.CL
Scalable Text Mining with Sparse Generative Models
University of Waikato（怀卡托大学）
信息时代带来了大量的数据。其中大部分是以文本形式出现的，人类无法逾越，计算机无法理解。文本挖掘是一个不断扩展的研究领域，旨在利用包含在大量文档集合中的信息。基于机器学习的常规数据采掘方法面临着文本数据规模的挑战，需要可扩展的文本挖掘方法。本文提出了一种可伸缩文本挖掘的解决方案：结合稀疏计算的生成模型。一个统一的形式化生成文本模型的定义，汇集了研究传统，使用正式等效的模型，但忽略了平行的发展。该框架允许使用在不同的处理任务（如检索和分类）中开发的方法，从而在不同的文本挖掘任务中产生有效的解决方案。提出了一种基于倒排索引的概率模型稀疏计算方法。这降低了根据稀疏性的常见文本挖掘操作的计算复杂性，产生具有现代搜索引擎的可扩展性的概率模型。建议的组合提供稀疏生成模型：文本挖掘的解决方案是通用的，有效的，可扩展的。对文本分类和排名检索数据集进行了广泛的实验，结果表明，所提出的解决方案在有效性上与领先的特定任务方法相匹配或优于领先的特定任务方法，维基百科文章分类的分类时间减少了一个数量级。所开发的方法进一步应用于2014年的两个Kaggle数据采掘竞赛，有超过一百个参赛团队，获得第一名和第二名。
2016-02-07 cs.AI cs.CL cs.IR
Dimensional emotion recognition using visual and textual cues
Faculty of Engineering of University of Porto (FEUP)（波尔图大学工程学院）；INESC TEC（波尔图工程学院科技与高等研究中心）；Faculty of Science of University of Porto (FCUP)（波尔图大学理学院）；UCP-ESB（葡萄牙天主教大学商业经济学院）
本文讨论了一分钟渐进情绪行为挑战（OMG-情绪挑战）范围内的自动情绪识别问题。该挑战的基本目标是在二维情感表示空间（即，唤醒和效价）。所采用的方法是一个加权集成的几个模型，从视频和文本模式。对于基于视频的识别，两种不同类型的视觉提示（即，面部和面部标志）被认为是馈送多输入深度神经网络。关于文本模态，实现了基于简单循环架构的顺序模型。此外，我们还介绍了一个模型的基础上的高层次的功能，以嵌入领域知识的学习过程。在OMG-Emotion验证集上的实验结果证明了所实现的集成模型的有效性，因为它明显优于当前的基线方法。
2018-05-03 cs.AI cs.CL cs.CV
Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings
Maharaja Surajmal Institute of Technology, GGSIPU（马哈拉贾苏拉杰马尔技术学院，GGSIPU）；Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；All India Institute of Medical Sciences（全印度医学科学学院）
社交媒体在全球传播新闻方面发挥着关键作用，并成为人们就各种主题发表意见的平台。全球各地的COVID-19疫苗接种活动伴随着各种各样的观点，这些观点往往受到情绪的影响，这些情绪会随着病例的增加、疫苗的批准以及在线讨论的多种因素而变化。本研究的目的是分析不同的情绪类别的时间演变：犹豫，愤怒，悲伤，预期，信仰和满意度的影响因素：疫苗推出，错误信息，健康影响和不公平的词汇类别创建属于五个国家的推文与重要的疫苗推出计划，即印度，美国，巴西，英国和澳大利亚。我们提取了近180万条与COVID-19疫苗接种相关的Twitter帖子的语料库。我们使用选定种子词的余弦距离，扩大了每个类别的词汇量，并跟踪了2020年6月至2021年4月期间其强度的纵向变化。我们使用社区发现算法来发现正相关网络中的模块。我们的研究结果表明，在所有国家中，对疫苗表示犹豫的推文中提到的健康相关影响最多。我们的研究结果表明，犹豫的模式在不同的地理位置是不同的，可以帮助我们学习有针对性的干预措施。我们还观察到，在疫苗批准前后，犹豫和满意等类别的线性趋势发生了显著变化。在冲积图中，愤怒和悲伤等负面情绪的重要性最高。它们与2021年4月印度观察到第二波COVID-19病例时的所有影响因素形成了一个重要模块。情绪和影响因素之间的关系被发现是可变的国家。
2021-07-20 cs.CL cs.SI
Story2MIDI: Emotionally Aligned Music Generation from Text
The Graduate Center, CUNY（纽约市研究生中心，CUNY）；Brooklyn College, CUNY（布鲁克林学院，CUNY）；Hunter College, CUNY（亨特学院，CUNY）
Story2MIDI通过文本生成情感对齐的音乐，利用Transformer模型学习情感相关特征，生成具有多样化情感反应的音乐样本。
2025-12-01 cs.AI cs.CL cs.SD
Dimensional Modeling of Emotions in Text with Appraisal Theories: Corpus Creation, Annotation Reliability, and Prediction
University of Stuttgart（斯图加特大学）
情感分析中最突出的任务是将情感分配给文本，并了解情感如何在语言中表现。对NLP的一个观察是，情绪可以通过引用事件来隐含地传达，呼吁对事件的移情，主体间的理解，即使没有明确提到情绪名称。在心理学中，被称为评价理论的一类情绪理论旨在解释事件和情绪之间的联系。评价可以被形式化为变量，这些变量测量人们在经历他们认为相关的事件时的认知评价。它们包括评估一个事件是否是新颖的，如果人认为自己是负责任的，如果它是符合自己的目标，以及许多其他。这种评价解释了哪些情绪是基于一个事件而发展起来的，例如，一个新奇的情况可能会引起惊讶，或者一个不确定的后果可能会引起恐惧。我们分析的评价理论的情感分析文本的理解，如果评价概念可以可靠地重建注释的目标，如果它们可以预测的文本分类器，如果评价概念有助于确定情感类别的适用性。为了实现这一目标，我们编写了一个语料库，要求人们文本描述触发特定情绪的事件，并透露他们的评价。然后，我们要求读者从文本中重建情感和评价。这种设置使我们能够衡量情感和评价是否可以纯粹从文本中恢复，并提供了一个人类基线。我们将文本分类方法与人类注释器进行了比较，结果表明两者都可以可靠地检测情感和评价，并且性能相似。因此，评价构成了另一种计算情感分析范式，并进一步提高了文本中的情感分类与联合模型。
2022-10-07 cs.CL
Emotion-Aligned Generation in Diffusion Text to Speech Models via Preference-Guided Optimization
本文提出EASPO框架，通过偏好引导优化实现扩散文本到语音模型的情感对齐生成，提升语音的表达性和自然度。
2026-02-06 cs.AI cs.CL cs.SD
Reinforcement Learning for Emotional Text-to-Speech Synthesis with Improved Emotion Discriminability
Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）；National University of Singapore (NUS)（新加坡国立大学）；University of Bremen（不来梅大学）
情感文本到语音合成（ETTS）近年来取得了很大的进展。然而，所生成的语音通常不能通过其预期的情感类别感知地识别。为了解决这个问题，我们提出了一个新的交互式训练模式的ETTS，表示为i-ETTS，它旨在直接提高情感的可辨别性，通过与语音情感识别（SER）模型进行交互。此外，我们制定了一个迭代训练策略与强化学习，以确保质量的i-ETTS优化。实验结果表明，所提出的i-ETTS优于国家的最先进的基线渲染语音更准确的情感风格。据我们所知，这是强化学习在情感文本到语音合成中的首次研究。
2021-06-14 cs.CL
Emotion Detection in Text: Focusing on Latent Representation
UNC Charlotte（北卡罗来纳大学夏洛特分校）；University of Virginia（弗吉尼亚大学）
近年来，文本中的情感检测已经变得越来越流行，由于其在市场营销，政治学，心理学，人机交互，人工智能等方面的巨大的潜在应用。在这项工作中，我们认为，目前的方法是基于传统的机器学习模型不能抓住情感语言的复杂性，忽略了文本的顺序性质，和上下文。因此，这些方法不足以创建适用的和可推广的情感检测方法。了解这些局限性，我们提出了一个基于双向GRU模型的新网络，以表明从文本中捕获更有意义的信息可以显着提高这些模型的性能。结果显示，在我们的测试数据上，F测量值平均增加了26.8个点，在全新的数据集上增加了38.6个点。
2019-07-22 cs.CL cs.IR cs.LG
Multi-speaker Emotional Text-to-speech Synthesizer
KAIST（韩国科学技术院）
我们提出了一种方法来训练我们的多说话人情感文本到语音合成器，可以表达语音的10个发言人的7种不同的情绪。所有来自音频样本的静音在学习之前被移除。这导致我们的模型快速学习。课程学习被有效地应用于训练我们的模型。我们的模型首先用一个大型的单说话者中性数据集进行训练，然后用所有说话者的中性语音进行训练。最后，我们的模型使用来自所有说话者的情感语音数据集进行训练。在每个阶段中，每个说话人-情绪对的训练样本具有相等的概率出现在小批次中。通过这个过程，我们的模型可以为所有目标说话者和情感合成语音。我们的合成音频集可以在我们的网页上找到。
2021-12-07 cs.AI cs.CL cs.NE
Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts
Nanjing University of Science and Technology（南京理工大学）
情感原因提取是一项旨在从文本中提取情感背后潜在原因的任务，由于其广泛的应用，近年来受到了广泛的关注。然而，该方法存在两个不足：1）在ECE中提取原因之前必须先对情感进行标注，这极大地限制了其在现实场景中的应用; 2）先标注情感再提取原因的方法忽略了情感和原因是相互指示的事实。在这项工作中，我们提出了一个新的任务：情绪-原因对提取（ECPE），其目的是提取潜在的情绪和相应的原因在一个文件。我们提出了一个两步的方法来解决这个新的ECPE任务，首先通过多任务学习执行个人情感提取和原因提取，然后进行情感-原因配对和过滤。在一个基准情感原因语料库上的实验结果证明了ECPE任务的可行性以及该方法的有效性。
2019-06-04 cs.CL
Pbm: A new dataset for blog mining
National University of Computer & Emerging Sciences（国家计算机与新兴科学大学）
随着Web 2.0提供协作内容创建和共享，文本挖掘变得至关重要。现在研究人员对文本挖掘方法发现知识的兴趣越来越大。文本挖掘研究人员来自不同的领域，如：自然语言处理，计算语言学，机器学习和统计学。一个典型的文本挖掘应用包括文本的预处理、词干提取和词形化、标注和注释、知识模式的推导、结果的评估和解释。有许多方法可以执行文本挖掘任务，如：聚类，分类，情感分析和摘要。对这些任务的评价标准化的必要性日益增加。建立标准化的一个主要组成部分是为这些任务提供标准数据集。虽然有各种标准的数据集可用于传统的文本挖掘任务，但有很少和昂贵的数据集博客挖掘任务。博客作为web2.0时代的一种新体裁，是网络用户的数字化日记，具有时间顺序的条目，包含了大量有用的知识，这给文本挖掘带来了挑战和机遇。在本文中，我们报告了一个新的土著数据集巴基斯坦政治博客圈。本文描述了数据汇集、组织和标准化的过程。我们已经使用这个数据集进行各种文本挖掘任务的博客圈，如：博客搜索，政治情绪分析和跟踪，有影响力的博客的识别，和聚类的博客帖子。我们希望为那些渴望在这一领域进一步追求的人免费提供此数据集。
2012-01-10 cs.AI cs.CL cs.IR
Using Entity Relations for Opinion Mining of Vietnamese Comments
HoChiMinh City University of Technology（胡志明市工业大学）；Lac Hong University（乐鸿大学）
在本文中，我们提出了几种新的技术来提取和挖掘意见的越南评论的客户对一些产品在越南的电子商务交易。该评估基于客户对特定产品（如手机和笔记本电脑）的情绪水平。我们利用这些产品的特点，因为他们是非常感兴趣的客户，并有许多产品在越南电子商务市场。由此，可以了解客户对开发产品的喜好。
2019-05-16 cs.CL
Emotion Selectable End-to-End Text-based Speech Editing
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
基于文本的语音编辑允许用户通过直观地剪切、复制和粘贴文本来编辑语音，以加快编辑语音的过程。在前期工作中，提出了CampNet（context-aware mask prediction network）实现基于文本的语音编辑，显著提高了编辑后的语音质量。本文针对基于文本的语音编辑提出了一个新的课题：在编辑语音中加入情感效果，使生成的语音更具有表现力。为了实现这一任务，我们提出了一种基于文本的语音编辑方法--情感CampNet，它可以为生成的语音提供情感属性的选择，并且具有一次性编辑未见过的说话人的语音的能力。首先，我们提出了一个端到端的情感可选的基于文本的语音编辑模型。该模型的核心思想是在上下文感知的掩码预测网络的基础上，通过引入附加的情感属性来控制生成语音的情感。其次，为了防止生成语音中的情感成分受到原始语音中情感成分的干扰，提出了一种中性的内容生成器来去除原始语音中的情感成分，并通过生成式对抗框架进行了优化。第三，提出了两种数据增强方法来丰富训练集中的情感和发音信息，使模型能够编辑未见过的说话人的语音。实验结果表明：1）在基于文本的语音编辑过程中，X-CampNet能够有效地控制生成语音的情感;并且能够编辑未见过的说话人的语音。2)详细的消融实验进一步证明了情感选择性和数据增强方法的有效性。演示页面位于https://hairuo55.github.io/Emo-CampNet…
2022-12-20 cs.CL cs.LG cs.SD
Towards Emotionally Consistent Text-Based Speech Editing: Introducing EmoCorrector and The ECD-TSE Dataset
Johns Hopkins University（约翰霍普金斯大学）；Carnegie Mellon University（卡内基梅隆大学）；The Chinese University of Hong Kong（香港中文大学）；National University of Singapore（新加坡国立大学）；Inner Mongolia University（内蒙古大学）
针对现有文本语音编辑忽视情感一致性的问题，提出EmoCorrector后校正方案，利用检索增强生成对齐情感，并构建ECD-TSE数据集，实验证明其显著提升情感表达。
2025-05-24 cs.AI cs.CL cs.SD
Emotion Detection in Text: a Review
UNC Charlotte（北卡罗来纳大学夏洛特分校）
近年来，文本中的情感检测因其在市场营销、政治学、心理学、人机交互、人工智能等领域的巨大应用潜力而受到越来越多的关注。在本文中，我们回顾了在识别文本中的情感表达方面所做的工作，并认为，虽然已经创建了许多技术，方法和模型来检测文本中的情感，但有各种原因使这些方法不足。虽然，有必要改善当前系统的设计和架构，但诸如人类情感的复杂性以及在表达情感时使用隐含和隐喻语言等因素使我们认为，仅仅重新利用标准方法不足以捕捉这些复杂性，重要的是要注意情感表达的语言复杂性。
2018-06-02 cs.CL
Text-driven Emotional Style Control and Cross-speaker Style Transfer in Neural TTS
Neosapience, Inc.（Neosapience公司）
近年来，表达性文本到语音的性能有所改善。然而，合成语音的风格控制通常限于离散的情感类别，并且需要由目标说话者以目标风格记录的训练数据。在许多实际情况下，用户可能没有记录在目标情感中的参考语音，但仍然有兴趣仅通过键入期望情感风格的文本描述来控制语音风格。在本文中，我们提出了一个基于文本的接口的情感风格控制和跨扬声器的风格转移多扬声器TTS。我们提出了一种双模态风格编码器，该编码器使用预先训练好的语言模型来模拟文本描述嵌入和语音风格嵌入之间的语义关系。为了进一步改善不相交的多风格数据集上的跨说话人风格传递，我们提出了新的风格损失。实验结果表明，我们的模型可以生成高质量的表达语音，即使在看不见的风格。
2022-07-13 cs.CL cs.LG cs.SD
Mapping Technological Futures: Anticipatory Discourse Through Text Mining
Czech Technical University Prague（捷克技术大学布拉格）；SWPS University（SWPS大学）
本文利用BERTopic及情感、情绪和态度分析挖掘400位KOL的150万条X平台帖子，识别100个技术未来主题，揭示KOL如何通过乐观叙事连接想象未来与现实并影响公共议程。
2025-03-25 cs.CL cs.CY cs.LG
Improving Sentiment Analysis By Emotion Lexicon Approach on Vietnamese Texts
University of Information Technology（信息技术大学）；Vietnam National University（越南国立大学）
情感分析任务在实践中具有各种应用。在情感分析任务中，代表积极和消极情绪的单词和短语很重要。从文本中找出代表情感的词可以提高分类模型用于情感分析任务的性能。在本文中，我们提出了一种方法，结合情感词汇的分类模型，以提高模型的准确性。实验结果表明，情感词典与分类模型的结合提高了模型的性能。
2022-12-04 cs.CL
Attention-based Modeling for Emotion Detection and Classification in Textual Conversations
LIRMM UMR 5506；CNRS（法国国家科学研究中心）；University of Montpellier（蒙彼利埃大学）；IUT de Béziers（贝济耶大学技术学院）；AMIS；Paul Valery University - Montpellier 3（保罗·瓦莱里大学-蒙彼利埃第三大学）
本文讨论了文本会话建模和情感检测的问题。我们提出的模型利用1）深度迁移学习而不是经典的词嵌入浅层方法; 2）自我注意力机制专注于文本中最重要的部分; 3）基于回合的会话建模用于分类情感。该方法不依赖于任何手工制作的功能或词典。我们的模型基于SemEval-2019共享任务提供的文本中上下文情感检测的数据进行了评估。该模型显示出非常有竞争力的结果。
2019-06-14 cs.CL
Leveraging Speech PTM, Text LLM, and Emotional TTS for Speech Emotion Recognition
Shanghai Jiao Tong University（上海交通大学）；University of Cambridge（剑桥大学）；Alibaba Group（阿里巴巴集团）
本文结合 data2vec、GPT-4 与 Azure TTS 生成高质量情感语音，并通过多种增强策略提升 IEMOCAP 上的语音情感识别性能。
2023-09-19 cs.AI cs.CL cs.SD
EmoDNN: Understanding emotions from short texts through a deep neural network ensemble
Iran University of Science and Technology（伊朗科技大学）；Sohar University（苏哈尔大学）；University of Queensland（昆士兰大学）
通过社交网络表现出来的个人情感和意见中的潜在知识对于包括社会管理、动态过程和公共安全在内的许多应用至关重要。情感计算作为一个跨学科的研究领域，将人工智能与认知推理相结合，能够从简洁的内容中挖掘出面向情感的知识。文本内容传达了隐藏的信息，例如有关相应作者的个性和认知，这些信息可以确定用户之间的相关性和差异。从简短的内容中进行情感识别应该包括作者之间的对比，其中个性和认知的差异可以在情感表达中找到。为了应对这一挑战，我们设计了一个框架，一方面，推断潜在的个人方面，从简短的内容，另一方面，提出了一种新的集成分类器配备动态辍学convnets从文本上下文中提取情感。为了对短文本内容进行分类，我们提出的方法结合利用认知因素并利用隐藏的信息。我们利用结果向量在一个新的嵌入模型，以促进情感相关的功能，集体组装的词汇诱导。实验结果表明，与其他竞争对手相比，我们提出的模型可以实现更高的性能，从嘈杂的内容中识别情感。
2021-06-03 cs.CL cs.IR cs.LG
Evaluation of Chinese-English Machine Translation of Emotion-Loaded Microblog Texts: A Human Annotated Dataset for the Quality Assessment of Emotion Translation
University of Surrey（萨里大学）；Xi’an International Studies University（西安外国语大学）
本文提出基于多维质量指标（MQM）的评估框架，分析谷歌翻译对情感负载微博文本的翻译质量，发现约50%的输出丢失原始情感，并识别出情感词、多义词、否定和缩写等主要错误来源。
2023-06-20 cs.CL
Women in ISIS Propaganda: A Natural Language Processing Analysis of Topics and Emotions in a Comparison with Mainstream Religious Group
University of Virginia（弗吉尼亚大学）
在线宣传是极端主义团体招募战略的核心，近年来，这些努力越来越多地扩展到妇女。为了调查ISIS在其在线宣传中针对女性的方法并揭示其对反恐的影响，我们依靠文本挖掘和自然语言处理（NLP）。具体而言，我们提取发表在Dabiq和Rumiyah（ISIS的在线英语出版物）上的文章，以确定突出的主题。为了确定这些文本与非暴力宗教团体制作的文本之间的相似性或差异，我们将分析扩展到一个致力于妇女的天主教论坛的文章。我们还对这两种资源进行了情感分析，以更好地理解宣传的情感成分。我们依靠Depechemood（一种基于词汇的情感分析方法）来检测这些材料的读者中最有可能被唤起的情感。调查结果表明，ISIS和天主教材料的情感吸引力是相似的
2019-12-09 cs.CL cs.IR
Enhancing Emotion Prediction in News Headlines: Insights from ChatGPT and Seq2Seq Models for Free-Text Generation
Boston University（波士顿大学）；Monash University Indonesia（莫纳什大学印度尼西亚校区）
该研究针对新闻头条情绪预测任务，提出利用自由文本情绪解释作为中间输入的思路，通过训练Seq2Seq模型、使用ChatGPT生成解释及T5多任务微调等方法验证，证实该思路可显著提升分类性能。
2024-07-14 cs.CL
Emotion Granularity from Text: An Aggregate-Level Indicator of Mental Health
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；University of Alberta（阿尔伯塔大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；National Research Council Canada（加拿大国家研究委员会）
本文提出从社交媒体时序话语中计算情绪粒度，替代有偏差的自我报告，并验证其在聚合层面可作为心理健康状况的有效标志物。
2024-11-25 cs.CL
A Sentiment-and-Semantics-Based Approach for Emotion Detection in Textual Conversations
Microsoft（微软）；IIT Kgp（印度理工学院克勒格布尔分校）
情绪是人类对内部或外部事件的反应而产生的生理状态。它们是复杂的，并在包括计算机科学在内的众多领域进行研究。作为人类，在阅读“你为什么不给我发短信！“我们可以将其解释为悲伤或愤怒的情绪，机器也存在同样的模糊性。由于缺乏面部表情和语音调制，从文本中检测情感是一个具有挑战性的问题。然而，随着人类越来越多地使用文本消息应用程序进行通信，并且数字代理在我们的社会中越来越受欢迎，这些数字代理必须具有情感意识，并相应地做出响应。在本文中，我们提出了一种新的方法，使用基于LSTM的深度学习模型来检测文本对话中的快乐，悲伤或愤怒等情绪。我们的方法包括半自动化的技术来收集我们的模型的训练数据。我们利用基于语义和情感的嵌入的优势，并提出了一种结合两者的解决方案。我们的工作是在真实世界的对话中进行评估的，并且显著优于传统的机器学习基线以及其他现成的深度学习模型。
2018-03-30 cs.CL
Exploiting Vietnamese Social Media Characteristics for Textual Emotion Recognition in Vietnamese
University of Information Technology（信息技术大学）；Vietnam National University, Ho Chi Minh City（胡志明市越南国家大学）
文本情感识别是近年来一个很有前途的研究课题。许多研究人员致力于建立更准确和更强大的情感检测系统。在本文中，我们进行了几个实验，以表明如何数据预处理影响文本情感识别的机器学习方法。这些实验是在越南社交媒体情感语料库（VSM-VSMEC）作为基准数据集上进行的。我们探讨越南社会媒体的特点，提出不同的预处理技术，和关键句提取与情感背景，以提高机器的性能，在越南语-VSMEC。我们的实验评估表明，通过基于越南社交媒体特征的适当预处理技术，多项逻辑回归（MLR）实现了64.40%的最佳F1分数，比由ESP-VSMEC作者建立的CNN模型（59.74%）显著提高了4.66%。
2020-10-27 cs.CL
Manipulating emotions for ground truth emotion analysis
University College London（伦敦大学学院）
文本数据正在被用作大规模研究人类认知的镜头。像情感分析这样的方法现在已经成为计算社会科学家的标准工具包，但通常依赖于有效性未知的第三人称注释。作为一种替代方案，本文介绍了在线情感诱导技术的实验行为研究作为一种方法，基于文本的情感分析。文本数据是从随机分配到快乐，中性或悲伤条件的参与者中收集的。研究结果支持情绪诱导程序。然后，我们研究如何以及词汇的方法可以检索诱导的情绪。所有的方法都导致了真实情绪条件之间的统计差异。总的来说，只有三分之一的情绪变化是由基于文本的测量捕获的。预先训练的分类器在检测真实情绪方面表现不佳。本文最后提出了研究的局限性和对未来研究的建议。
2020-06-16 cs.CL cs.SI
On the Complementarity of Images and Text for the Expression of Emotions in Social Media
University of South Florida（南佛罗里达大学）；University of Stuttgart（斯图加特大学）
社交媒体帖子的作者通过文本和图像传达他们的情绪以及导致这些情绪的原因。虽然有工作的情绪和刺激检测为每一个模态分别，它还不知道，如果模态包含互补的情感信息在社交媒体。我们的目标是填补这一研究空白，并贡献一个新的，注释语料库的英语多模态Reddit职位。在这个资源上，我们开发了模型来自动检测图像和文本之间的关系，情感刺激类别和情感类。我们评估这些任务是否需要两种方式，并找到图像-文本关系，仅文本就足以满足大多数类别（互补，说明，反对）：文本中的信息允许预测图像是否需要情感理解。愤怒和悲伤的情绪最好用多模态模型来预测，而文本本身就足以预测厌恶，喜悦和惊讶。由物体、动物、食物或人描绘的刺激最好由仅图像模型预测，而多模态模型对艺术、事件、模因、地点或截图最有效。
2022-05-16 cs.CL cs.CV
Learning Emotional Representations from Imbalanced Speech Data for Speech Emotion Recognition and Emotional Text-to-Speech
University of St.Gallen（圣加仑大学）；Reykjavik University（雷克雅未克大学）
针对情感语音数据集不平衡易致模型过拟合的问题，提出结合增强方法的Emotion Extractor，可提取有效泛化的情感表征，在SER任务上超越SOTA基线，还能提升情感TTS的语音表现力。
2023-06-09 cs.CL cs.SD eess.AS
