Exploiting Emotion-Semantic Correlations for Empathetic Response Generation
College of Computer and Data Science, Fuzhou University(福州大学计算机与数据科学学院);Digital Fujian Institute of Financial Big Data(数字福建金融大数据研究院);Leiden University(莱顿大学);College of Computer Science and Technology, Chongqing University of Technology(重庆理工大学计算机科学与技术学院)
针对共情回复生成中静态情感词表示忽视动态性及情感-语义关联的问题,提出ESCM,利用依存树和动态相关图卷积网络提升语义情感理解与回复质量。
2024-02-27 cs.AI cs.CL
Contrast and Generation Make BART a Good Dialogue Emotion Recognizer
School of Computer Science, Fudan University(复旦大学计算机科学技术学院);Peng Cheng Laboratory(鹏城实验室);Shanghai Key Laboratory of Intelligent Information Processing, Fudan University(复旦大学上海市智能信息处理重点实验室)
在对话系统中,具有相似语义的话语在不同的语境下可能具有不同的情感。因此,建立说话人相关的长距离语境情感关系模型在对话情感识别中起着关键作用。同时,区分不同的情感类别是不平凡的,因为它们通常具有语义相似的情感。为此,我们采用有监督的对比学习,使不同的情绪互斥,以更好地识别相似的情绪。同时,我们利用一个辅助响应生成任务,以提高模型的能力,处理上下文信息,从而迫使模型识别情感相似的语义在不同的情况下。为了实现这些目标,我们使用预训练的编码器-解码器模型BART作为我们的骨干模型,因为它非常适合理解和生成任务。在四个数据集上的实验表明,我们提出的模型在对话情感识别方面比现有的模型获得了更好的结果。消融研究进一步证明了监督对比损失和生成损失的有效性。
2022-01-24 cs.CL
Semantic Differentiation in Speech Emotion Recognition: Insights from Descriptive and Expressive Speech Roles
School of Electrical Engineering and Computer Science, University of Ottawa(电气工程与计算机科学学院,渥太华大学);School of Psychology, University of Ottawa(心理学学院,渥太华大学);National Research Council Canada, Ottawa, Canada(加拿大国家研究理事会,渥太华,加拿大)
本研究通过录制参与者观影后描述经历的语音并标注情感与效价/唤醒度,区分描述性与表达性语义,揭示二者分别对应预期情感和被唤起情感。
2025-10-03 cs.AI cs.CL
Discovering Basic Emotion Sets via Semantic Clustering on a Twitter Corpus
The University of Bath(巴斯大学)
人们用了太多的词来描述人类的情感,但到底有多少种情感,它们又是如何相互作用的呢?在过去的几十年里,已经提出了几种情绪理论,每一种理论都基于一组“基本情绪”的存在,每一种理论都得到了广泛的研究支持,包括面部表情,行为学,神经学和生理学的研究。在这里,我们提出的研究基于一个理论,即人们通过他们使用周围的情感关键词的语言来传递他们对情感的理解。使用超过21,000条推文的标记语料库,使用潜在语义聚类(LSC)分析了现有文献中提出的六种基本情感集,评估了情感标签所附带的语义含义的独特性。我们假设,语言表达某种情绪的方式越独特,那么对这种情绪的感知(包括本体感受)就越独特,因此也就越“基本”。这使我们能够选择最能代表整个情绪谱的维度。我们发现,埃克曼的一套,可以说是最经常用于分类的情绪,实际上是最独特的语义整体。接下来,考虑到所有分析(即,先前提出的)情感术语,我们确定最佳的语义不可约的基本情感集使用迭代LSC算法。我们新衍生的集合(接受,羞愧,蔑视,感兴趣,快乐,高兴,睡眠,压力)比Ekman的集合(愤怒,沮丧,快乐,悲伤,害怕)增加了6.1%的独特性。我们还展示了如何使用LSC数据可以帮助可视化情绪。我们介绍的概念,情感档案,并简要分析复合情感的视觉和数学。
2012-12-28 cs.AI cs.CL
BERT-Assisted Semantic Annotation Correction for Emotion-Related Questions
University of St. Thomas(圣托马斯大学)
注释数据传统上用于提供用于训练监督机器学习(ML)模型的输入。然而,当前用于自然语言处理(NLP)的预训练ML模型包含可用于通知注释过程的嵌入式语言信息。我们使用BERT神经语言模型将信息反馈到注释任务中,该任务涉及在一个名为情感二十问题(EMO20 Q)的提问游戏中对对话行为进行语义标记。首先,我们描述了BERT的背景,EMO20 Q数据,和辅助注释任务。然后我们描述了微调BERT以检查注释标签的方法。为此,我们使用释义任务作为一种检查具有相同注释标签的所有话语都被归类为彼此的释义的方法。我们表明,这种方法是一种有效的方式来评估和修改文本用户数据的注释与复杂的,话语级的语义标签。
2022-04-02 cs.CL
Beyond Semantics: Measuring Fine-Grained Emotion Preservation in Small Language Model-Based Machine Translation
Poznań University of Technology(波兹南技术大学)
本文评估了三种先进的小型语言模型在回译中保持细粒度情感的能力,探讨了模型自身的情感保留能力、情感意识提示的效果以及ModernBERT在情感分类中的表现。
2026-04-30 cs.AI cs.CL
Eradicating Social Biases in Sentiment Analysis using Semantic Blinding and Semantic Propagation Graph Neural Networks
Institute of Psychology, Polish Academy of Sciences(波兰科学院心理研究所);Society for Open Science(开放科学协会)
本研究提出仅靠句法结构与词级情感线索预测情感的SProp GNN,通过语义盲化抵御社会偏见,性能优于词典类方法、准确率接近Transformer模型且偏见更低,兼顾可解释性与效果,填补两类方法的方法学空白。
2025-01-13 cs.CL
GoodNewsEveryone: A Corpus of News Headlines Annotated with Emotions, Semantic Roles, and Reader Perception
大多数从文本中进行情感分析的研究都集中在情感分类或情感强度回归上。较少的作品将情绪作为一种需要通过结构化学习来解决的现象,这可以通过缺乏相关数据集来解释。我们填补了这一空白,通过发布一个数据集的5000个英语新闻标题注释通过众包与他们相关的情感,相应的情感体验者和文本线索,相关的情感原因和目标,以及读者的感知标题的情感。考虑到要识别的类和角色的数量很大,这个注释任务是非常具有挑战性的。因此,我们提出了一个多阶段的注释过程中,我们首先找到相关的实例与情感内容,然后注释更细粒度的方面。最后,我们开发了一个自动预测语义角色结构的任务的基线,并讨论了结果。我们发布的语料库可以进一步研究情绪分类,情绪强度预测,情绪原因检测,并支持进一步的定性研究。
2020-03-03 cs.AI cs.CL cs.IR
Using Single-Trial Representational Similarity Analysis with EEG to track semantic similarity in emotional word processing
Tufts University(塔夫茨大学)
脑电图(EEG)是一种功能强大的非侵入性脑成像技术,具有高时间分辨率,已广泛应用于认知科学研究的多个领域。本文将代表性相似性分析(RSA)应用于单次试验脑电数据集,并将其原理介绍给不熟悉多变量分析的脑电研究者。我们有两个不同的目标:1。我们想探索单次试验RSA在EEG数据集上的有效性; 2.我们希望利用单次试验RSA和计算语义模型来研究语义在情感词处理中的作用。我们报告两个主要的发现:1。在大量试验和受试者的情况下,EEG数据集上的单次试验RSA可以产生有意义和可解释的结果; 2.单次试验RSA揭示了在500- 800 ms时间窗口内的情绪处理与附加的语义分析相关联。
2021-10-04 cs.CL q-bio.NC
Semantic Primes as Explanans for Emotion in Large Language Models
研究探讨大语言模型中情感的解释问题,通过在四个指令微调的LLMs上实验,发现自然语义元语言的语义原素是可恢复的内部元素,能更有效控制情感,且与相应情感可互换,是比其他选项更好的情感解释因素。
2026-07-22 cs.AI cs.CL
Experiencer-Specific Emotion and Appraisal Prediction
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart(斯图加特大学机器语言处理研究所)
本文提出针对事件体验者的情感与评估预测任务,结合类别情感和心理学评估变量建模,在事件描述语料上超越忽略参与者的基线模型,证明考虑体验者视角对情感检测至关重要。
2023-05-26 cs.CL
Think Twice: A Human-like Two-stage Conversational Agent for Emotional Response Generation
Tianjin University(天津大学);Quesoar Co. Ltd.(Quesoar有限公司);China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司)
针对情感对话中情感与语义相互制约及标注数据稀缺问题,提出两阶段对话智能体:先由无语料标注的模型生成语义原型回复,再用可控情感精炼器进行修改,在情感生成和语义保持上均优于对比模型。
2024-10-01 cs.CL cs.HC
Reduplicative constructions in Mandarin: Socio-emotional profiling through distributional semantics
Beihang University(北京航空航天大学);University of Tübingen(图宾根大学)
本研究利用分布语义学词嵌入分析汉语两种重叠构式,验证其能恢复语义语法属性,揭示语义语用分化,并证明嵌入可捕捉重叠的语义多样性与构式透明性。
2026-09-16 cs.CL
Measuring Cultural Relativity of Emotional Valence and Arousal using Semantic Clustering and Twitter
Advanced Emotion Intelligence Research (AEIR)(高级情绪智能研究(AEIR));University of Bath(巴斯大学)
至少从达尔文开始,研究人员就一直在争论情绪是否是普遍的,以及在多大程度上是依赖于文化的。然而,以前的研究主要集中在面部表情和有限的情绪上。鉴于情绪对人类生活有重大影响,文化情感相关性的证据可能会通过将分布语义技术应用于自我报告行为的文本语料库来获得。在这里,我们探索这个想法,通过测量的效价和唤醒的12个最流行的情绪关键字在微博网站Twitter上表达。我们在三个地理区域这样做:欧洲,亚洲和北美。我们证明,在我们的样本中,相同的情感关键字的效价和唤醒水平显着不同,相对于这些地理区域-欧洲人,或至少目前自己更积极和引起,北美人更消极,亚洲人似乎更积极,但不太引起相比,全球效价和唤醒水平相同的情感关键字。我们的工作是第一次在实物中,示意性地映射大型文本语料库的影响的一个维度模型。
2013-04-28 cs.AI cs.CL
Classifying Idiomatic and Literal Expressions Using Topic Models and Intensity of Emotions
Montclair State University(蒙特克莱尔州立大学);Bauman State Technical University(鲍曼国立技术大学)
我们描述了一个自动分类的成语和文字表达的算法。我们的出发点是,在一个给定的文本片段,如一个段落,是一个共同的讨论主题的高级代表的话不太可能是一个习惯表达的一部分。我们的另一个假设是,习语发生的背景下,通常,更有情感,因此,我们纳入了一个简单的分析的强度的情绪表达的背景。我们调查袋的话主题表示的一至三个段落包含一个表达式,应被归类为成语或字面(目标短语)。我们使用无监督聚类方法,潜在狄利克雷分配(LDA)(Blei等人,2003年)。由于习惯表达具有非组合性,我们假设它们通常呈现出与局部主题中使用的词不同的语义。我们把习语看作是语义离群点,而语义转移的识别就是离群点检测。因此,这种主题表示允许我们使用局部语义上下文来区分习语和字面意思。我们的成果令人鼓舞。
2018-02-27 cs.CL
Web-based Semantic Similarity for Emotion Recognition in Web Objects
Sapienza University of Rome(罗马大学);University of Perugia(佩鲁贾大学);Hong Kong Baptist University(香港浸会大学)
在这个项目中,我们提出了一种新的方法,情感识别使用基于Web的相似性(如信心,PMI和PMING)。我们的目标是从具有情感内容的短句(例如新闻标题,推文,标题)中提取基本情感,对分析句子的每个单词与心理模型(例如Plutchik,Ekman,Lovheim)的每个情感之间的语义接近度进行基于网络的定量评估。提取的阶段包括:文本预处理(标记化、停用词、过滤)、搜索引擎自动查询、结果的HTML解析(即抓取)、语义接近度的估计、根据接近度度量对情感进行排名。其主要思想是,由于可以在假设相似概念共同出现在搜索引擎中索引的文档中的情况下概括语义相似性,因此情感也可以以相同的方式概括,通过以特定语言表达它们的标签或术语,对情感进行排名。将训练结果与人类评估进行比较,然后对结果进行额外的比较测试,两者都是针对全局排名相关性(例如Kendall,Spearman,Pearson),两者都是针对与每个单词相关的情感的评估。与情感分析不同,我们的方法在更深的抽象层次上工作,旨在识别特定的情感,而不仅仅是积极/消极的情感,以便将情感预测为语义数据。
2016-12-17 cs.AI cs.CL cs.SI
EmoUS: Simulating User Emotions in Task-Oriented Dialogues
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学)
提出 EmoUS 用户模拟器,结合用户目标、历史与角色生成情绪、语义动作和回复,并作为探针评估对话系统对用户情绪状态的影响。
2023-06-02 cs.CL
Faithful by Definition: Emotion Analysis via Natural Semantic Metalanguage Explications
University of Reading(雷丁大学);Nanyang Technological University(南洋理工大学)
提出一种基于自然语义元语言解释的情感分析接口,通过解析器将输入文本映射为固定规则的解释,实现因果定义上的忠实性,并在小规模数据集上验证了其可检查的决策基础。
2026-07-02 cs.AI cs.CL
EMODE: Dynamic Para-Semantic Experts for Emotion-Aware Speech Language Modeling
Zhejiang University(浙江大学)
EMODE提出动态副语义专家(DPSE)分解语音特征,通过三阶段课程训练,在SER和共情任务上平衡词汇保真与情感敏感,增强跨语料情感理解。
2026-10-07 cs.CL cs.MM cs.SD
Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction
Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学);Northeastern University(东北大学);Singapore Management University(新加坡管理大学)
对给定帖子的响应在语义级和情感级的一致性对于对话系统提供类人交互是必不可少的。然而,这一挑战在文献中没有得到很好的解决,因为大多数方法在生成响应时忽略了帖子所传达的情感信息。本文通过提出一种统一的端到端神经架构来解决这个问题,该架构能够同时编码帖子中的语义和情感,以生成具有适当表达的情感的更智能的响应。在真实数据上的大量实验表明,该方法在内容一致性和情感适当性方面都优于现有的方法。
2021-06-06 cs.AI cs.CL
Effect of Attention and Self-Supervised Speech Embeddings on Non-Semantic Speech Tasks
Northwestern University(西北大学)
本文面向 ComParE EMotion Share 多语言情感份额回归任务,评估自监督语音基础模型,并以 HuBERT-Large 结合自注意力轻量序列模型实现较基线 4.6% 的提升。
2023-09-27 cs.AI cs.CL
RLAIF-SPA: Structured AI Feedback for Semantic-Prosodic Alignment in Speech Synthesis
School of Computer Science and Engineering, Northeastern University, China(东北大学计算机科学与工程学院)
本文提出RLAIF-SPA框架,通过整合强化学习从AI反馈来优化语音合成中的情感表达和可懂度,实验显示其在多个数据集上均取得显著提升。
2026-04-07 cs.AI cs.CL
Natural Language Processing for Cognitive Analysis of Emotions
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学院);Institut Universitaire de France(法国大学研究院);CentraleSupélec(中央理工-高等电力学院)
文本中的情感分析有两个主要的局限性:带注释的黄金标准语料库大多是小而同质的,情感识别往往被简化为一个层次的分类问题。为了解决这些问题,我们引入了一个新的注释方案来探索情感及其原因,以及一个新的法国数据集,由情感场景的自传体描述组成。本文采用A.芬克尔帮助人们改善他们的情绪管理。该方法需要由接受过认知分析培训的教练手动分析情绪事件。我们提出了一个基于规则的方法来自动注释情绪和它们的语义角色(例如情绪原因),以方便教练识别相关方面。我们研究未来的方向,情感分析使用图结构。
2022-10-11 cs.CL
Dual-Loop Self-Evolution via Verifiable Emotion Feedback for Multi-Turn Empathetic Dialogue
该研究针对大语言模型共情能力不足问题,提出双循环自演化框架,在SAGE数据集上显著提升Qwen3-8B的共情对话性能,优于对比方法。
2026-08-12 cs.CL
REFLECT: Role-Aware Detection of Sentiment, Emotion, Politeness, and Formality
University of Florida(佛罗里达大学)
该研究提出角色感知Transformer架构REFLECT,将SEPF维度映射到SRL配置并融入自注意力,在情绪、礼貌、正式度检测上优于BERT基线,还提升了真实数据的预测性能与可追溯性。
2026-10-12 cs.CL
A conversational gesture synthesis system based on emotions and semantics
Department of Information Technology, VNUHCM -- University of Science(越南科学大学信息科技系)
本文提出DeepGesture,一种基于扩散的 gesture 合成系统,通过多模态信号生成具有情感和语义条件的手势,提升数字人类的自然表达能力。
2026-01-29 cs.CL cs.HC cs.LG
Consistency of Responses and Continuations Generated by Large Language Models on Social Media
本研究使用Gemma、Llama3、Llama3.3和Claude模型,通过Twitter和Reddit的气候变化讨论,分析LLM在续写和回复任务中的情感与语义一致性,发现模型倾向缓和负面情绪并保持高语义相似度,为其社交媒体部署提供见解。
2025-11-04 cs.AI cs.CL cs.HC
DreamNet: A Multimodal Framework for Semantic and Emotional Analysis of Sleep Narratives
Sreenidhi Institute of Science and Technology(斯雷尼迪科技学院)
DreamNet提出一个基于Transformer和多模态注意力的深度学习框架,通过融合梦境文本与REM期EEG数据,实现高精度的梦境语义与情感分析,并揭示梦境-情感相关性,为心理健康诊断和认知科学研究提供可扩展工具与公开数据集。
2025-02-26 cs.AI cs.CL cs.LG
JeSemE: A Website for Exploring Diachronic Changes in Word Meaning and Emotion
Graduate School ‘The Romantic Model’(“浪漫主义模式”研究生院);Friedrich-Schiller-Universität Jena(耶拿弗里德里希·席勒大学)
我们在这里介绍了一个大大扩展版本的JeSemE,一个交互式网站,用于可视化地探索计算得出的时变信息的词义和词汇的情绪,从五个大的历时文本语料库组装。JeSemE是专为(数字)人文学科的学者设计的,作为查阅手动编译的替代方案,印刷字典以获取此类信息(如果有的话)。这个工具独特地结合了最先进的分布式语义与人类情感的细微差别模型,我们认为这两个信息流有利于人文文本的数据驱动解释。
2020-12-18 cs.CL
Target Guided Emotion Aware Chat Machine
Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学);Northeastern University(东北大学);Singapore Management University(新加坡管理大学);Inception Institute of Artificial Intelligence(起源人工智能研究院)
对给定帖子的响应在语义级和情感级的一致性对于对话系统提供类人交互是必不可少的。然而,这一挑战在文献中没有得到很好的解决,因为大多数方法在生成响应时忽略了帖子所传达的情感信息。本文通过提出一种统一的端到端神经架构来解决这个问题,该架构能够同时编码帖子中的语义和情感,并利用目标信息来生成具有适当表达的情感的更智能的响应。在真实数据上的大量实验表明,该方法在内容一致性和情感适当性方面都优于现有的方法。
2021-04-09 cs.AI cs.CL
Emoji-based Co-attention Network for Microblog Sentiment Analysis
在线社交网络中广泛使用缩略语来表达情感、态度和观点。表情符号作为面向情感的字符,可以被建模为对接收者或主题的情感的重要特征,用于情感分析。然而,现有的方法主要采用表情符号作为启发式信息,无法解决模糊噪声问题。最近的研究利用表情符号作为一个独立的输入来分类文本情感,但他们忽略了文本和表情符号之间的交互的情感影响。这导致表情符号的情感语义无法被充分挖掘。本文提出了一种基于表情符号的协同注意力网络,用于学习微博上文本和表情符号之间的相互情感语义。我们的模型采用基于双向长短期记忆的共同注意力机制,将文本和表情符号结合起来,并在卷积神经网络分类器中集成了挤压和激励块,以增加其对情感语义特征的敏感性。实验结果表明,该方法可以显着优于几个基线的情感分析短文本的社会媒体。
2022-01-14 cs.AI cs.CL
Dialogue Summarization with Emotion Dynamics Using Topic- and Participant-Centric Decomposition
Delft University of Technology(代尔夫特理工大学)
该研究针对对话摘要问题,提出基于改进分层智能体链方法的框架,从主题和参与者两个视角分解对话,结合自动推断情感生成摘要,并引入情感轨迹指标评估,实验表明其框架能生成含语义和情感内容的摘要,凸显方法有效性。
2026-07-17 cs.AI cs.CL cs.MA
Evaluating Emotion Recognition in Spoken Language Models on Emotionally Incongruent Speech
School of Electrical and Computer Engineering(电气与计算机工程学院)
该研究针对口语语言模型的多模态整合能力问题,用情感不一致语音数据集评估4个SLM的语音情感识别,发现其更依赖文本语义,并公开了代码与EMIS数据集。
2025-10-30 cs.CL eess.AS
DASentimental: Detecting depression, anxiety and stress in texts via emotional recall, cognitive networks and machine learning
University of Exeter(埃克塞特大学);Max Planck Institute for Human Development(马克斯·普朗克人类发展研究所);University of Warwick(华威大学)
目前大多数的情感量表和对书面文本的情感分析都集中在量化情感的最主要维度--效价(情感)。然而,情绪比效价更广泛、更复杂。区分类似效价的负面情绪在心理健康等背景下可能很重要。该项目提出了一种半监督机器学习模型(DASentimental),用于从书面文本中提取抑郁,焦虑和压力。首先,我们训练模型,以发现$N=200$个体回忆起的情感词序列如何与他们对抑郁焦虑压力量表(DASS-21)的反应相关。在认知网络科学的框架内,我们将每一个回忆起的情绪列表建模为在语义记忆的网络化心理表征上的行走,情绪根据人们记忆中的自由联想而连接。在几种经过测试的机器学习方法中,我们发现一个基于单词序列和语义网络距离训练的多层感知器神经网络可以实现对抑郁症($R = 0.7$)、焦虑症($R = 0.44$)和压力($R = 0.52$)的最新交叉验证预测。虽然受样本量的限制,这种首创的方法,使DAS水平背后的关键语义维度的定量探索。我们发现,语义之间的距离回忆的情绪和二元体“悲伤快乐”是估计抑郁水平的重要特征,但不太重要的焦虑和压力。我们还发现,从“恐惧”的回忆语义距离可以提高预测焦虑,但它变得多余时,考虑“悲伤-快乐”的二元体。采用DASentimental作为一个半监督学习工具来估计文本中的DAS,我们将其应用于142个自杀笔记的数据集。最后,我们讨论了人工智能检测压力、焦虑和抑郁的未来研究的关键方向。
2021-10-26 cs.AI cs.CL cs.CY
Emotions Where Art Thou: Understanding and Characterizing the Emotional Latent Space of Large Language Models
Georgia Institute of Technology(佐治亚理工学院)
研究揭示了大语言模型中情感的潜在空间结构,通过方向编码和跨语言一致性,展示了对情感的可控表征与可解释性。
2026-01-30 cs.AI cs.CL
Decoding Poultry Vocalizations -- Natural Language Processing and Transformer Models for Semantic and Emotional Analysis
Dalhousie University(达尔豪斯大学)
本研究利用Wave2Vec 2.0和微调的BERT模型对家禽发声进行语义和情感分析,实现92%分类准确率,为动物福利和可持续农场管理提供实时监测工具。
2024-12-11 cs.AI cs.CL cs.LG
When Emotion Becomes Trigger: Emotion-style dynamic Backdoor Attack Parasitising Large Language Models
School of Cyber Science and Engineering, Sichuan University(四川大学计算机科学与工程学院);School of Computer Science, China West Normal University(西南大学计算机科学学院);School of Electronic and Information Engineering, Lanzhou Jiaotong University(兰州交通大学电子信息工程学院)
本文提出Paraesthesia攻击,通过情绪风格动态后门触发机制,在大语言模型中实现高隐蔽性的恶意输出。
2026-08-27 cs.AI cs.CL
Investigating the structure of emotions by analyzing similarity and association of emotion words
本文通过构建情感词语义网络,分析其结构与Plutchik情感轮的相似性,验证其有效性。
2026-04-21 cs.AI cs.CL
Deep Learning based Emotion Recognition System Using Speech Features and Transcriptions
Samsung R&D Institute India – Bangalore(三星印度研发研究院-班加罗尔)
提出了一种基于语音特征和语音文本的语音情感识别方法。语音特征,如频谱图和梅尔频率倒谱系数(MFCC)有助于保留语音中与情感相关的低层次特征,而文本有助于捕捉语义含义,这两种特征都有助于情感检测的不同方面。我们尝试了几种深度神经网络(DNN)架构,这些架构将语音特征和文本的不同组合作为输入。与基准数据集上最先进的方法相比,所提出的网络架构实现了更高的准确性。结合MFCC-文本卷积神经网络(CNN)模型被证明是最准确的识别IEMOCAP数据中的情绪。
2019-06-11 cs.CL cs.LG cs.SD