Emoji-based Fine-grained Attention Network for Sentiment Analysis in the Microblog Comments
Xihua University(西华大学)
微博已经成为人们实时表达情感的社交平台,从微博信息中分析用户的情感倾向是一种趋势。表情符号的动态特征会影响微博文本的情感极性。针对现有模型很少考虑表情符号情感极性多样性的问题,提出一种基于ALBERT-FAET的微博情感分类模型。我们通过ALBERT预训练模型获得文本嵌入,并使用基于注意力的LSTM网络学习表情符号间嵌入。此外,提出了一种细粒度的注意力机制来捕获纯文本和表情符号之间的单词级交互。最后,我们将这些特征连接起来,并将它们输入到CNN分类器中,以预测微博的情感标签。为了验证模型和细粒度注意网络的有效性,我们进行了对比实验和消融实验。对比实验表明,该模型在准确率、查准率和查全率三个评价指标上均优于以往的方法,能够显著提高情感分类效果。消融实验表明,与ALBERT-AET模型相比,本文提出的模型ALBERT-FAET在度量指标上更优,表明细粒度注意网络能够理解表情符号的多样化信息。
2022-06-10 cs.CL
Leveraging Sentiment Analysis Knowledge to Solve Emotion Detection Tasks
Polytechnique Montréal(蒙特利尔理工学院);Airudi(Airudi公司)
识别和理解文本中潜在的情感或情绪是多个自然语言处理应用的关键组成部分。虽然简单的极性情感分析是一个很好的研究课题,但在仅使用文本数据识别更复杂、更细粒度的情感方面取得的进展较少。在本文中,我们提出了一个基于转换器的模型与适配器层的融合,利用更简单的情感分析任务的知识,以改善大规模数据集上的情感检测任务,如CMU-MOSEI,只使用文本模态。结果表明,我们提出的方法是有竞争力的其他方法。即使只使用文本模态,我们也在CMU-MOSEI上获得了最先进的情感识别结果。
2021-11-05 cs.CL cs.LG
Beyond Global Emotion: Fine-Grained Emotional Speech Synthesis with Dynamic Word-Level Modulation
Harbin Institute of Technology(哈尔滨工业大学)
针对现有情感语音合成仅支持句子级全局情感、无法捕捉句内动态变化的问题,本文提出Emo-FiLM框架,利用词级情感标注与特征级线性调制实现细粒度情感控制,并构建FEDD数据集验证其有效性。
2025-09-20 cs.AI cs.CL
Using Knowledge-Embedded Attention to Augment Pre-trained Language Models for Fine-Grained Emotion Recognition
National University of Singapore(新加坡国立大学);Agency for Science, Technology and Research(新加坡科技研究局)
现代情绪识别系统被训练成只能识别一小部分情绪,因此无法捕捉人们在日常生活中体验和表达的广泛情绪。为了进行更多的移情互动,未来的人工智能必须执行\textit{fine-grained}情感识别,区分更多不同的情感。在这里,我们专注于通过将外部知识引入预先训练的自我注意力模型来提高细粒度的情感识别。我们提出了知识嵌入注意力(KEA)使用知识的情感词汇,以增加从预先训练的ELECTRA和BERT模型的上下文表示。我们的结果和误差分析在几个数据集上优于以前的模型,并且能够更好地区分容易混淆的情绪,例如害怕和恐惧。
2021-07-31 cs.AI 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
CHAE: Fine-Grained Controllable Story Generation with Characters, Actions and Emotions
Tongji University(同济大学);Shanghai University of Electric Power(上海电力大学)
近年来,故事生成已经成为一个有趣但具有挑战性的NLP任务。一些现有的研究旨在从关键词和大纲中生成流畅连贯的故事;而另一些则试图控制故事的整体特征,如情感,风格和主题。然而,这些作品侧重于对故事的粗粒度控制,忽视了对故事细节的控制,这对任务也至关重要。为了填补这一空白,本文提出了一种模型,用于细粒度控制的故事,它允许生成定制的故事与字符,相应的行动和情感任意分配。大量的实验结果表明,我们的方法的优越性,自动和人工评估。根据细粒度的个性化指导生成故事具有很强的可控性,揭示了我们方法的有效性。我们的代码可在https://github.com/victorup/CHAE上获得。
2022-10-11 cs.AI cs.CL
Large Language Models on Fine-grained Emotion Detection Dataset with Data Augmentation and Transfer Learning
Carnegie Mellon University(卡内基梅隆大学);Purdue University(普渡大学);University of Michigan(密歇根大学)
本文针对 GoEmotions 细粒度文本情感识别难题,结合数据增强与迁移学习提升大语言模型分类性能,并总结洞见、展望跨数据集综述研究。
2024-04-09 cs.AI cs.CL
Fluent but Unfeeling: The Emotional Blind Spots of Language Models
Northeastern University(东北大学);UC San Diego(加州大学圣地亚哥分校);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
针对LLMs在细粒度情感对齐上的评估空白,提出基于Reddit的EXPRESS基准数据集(含251个标签),通过八种基本情感分解进行细粒度比较,发现主流LLMs在准确预测与人类自我披露一致的情感及捕捉上下文线索方面仍存在局限。
2025-09-11 cs.AI cs.CL
EmoNet-Voice: A Fine-Grained, Expert-Verified Benchmark for Speech Emotion Detection
LAION e.V.(LAION研究院);TU Munich(慕尼黑技术大学);L3S Research Center(L3S研究中心);Leibniz University of Hannover(汉诺威莱布尼茨大学);TU Darmstadt(达姆施塔特技术大学);Ontocord(Ontocord公司);DFKI(DFKI研究所);TIB–Leibniz Information Centre for Science & Technology(TIB-莱布尼茨科学与技术信息中心)
EmoNet-Voice通过细粒度情绪分类和专家验证,构建了首个伦理合规的语音情感检测基准,提升情绪识别的准确性和细粒度区分能力。
2026-01-05 cs.AI cs.CL
Fine-grained Emotion and Intent Learning in Movie Dialogues
École polytechnique fédérale de Lausanne(洛桑联邦理工学院)
我们提出了一种新的大规模情感对话数据集,包括从OpenSubtitles语料库中检索的1M对话,并使用基于BERT的细粒度对话情感分类器标注了32种情感和9种移情反应意图。这项工作解释了用于预处理电影字幕和选择好的电影对话进行注释的复杂管道。我们还描述了半监督学习过程,然后训练细粒度的情感分类器来注释这些对话。尽管有大量的标签,我们的对话情感分类器实现了$65\%$的准确性,并用于注释来自OpenSubtitles的1M情感电影对话。这种情感对话分类的规模以前从未尝试过,无论是在数据集大小还是细粒度的情感和意图类别方面。用于分析结果数据集质量的可视化技术表明,它符合人类社会互动的模式。
2020-12-25 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
EmoMeta: A Multimodal Dataset for Fine-grained Emotion Classification in Chinese Metaphors
School of Software(软件学院);Dalian University of Technology(大连理工大学);School of Foreign Languages and School of Software(外语学院和软件学院);Faculty of Business Administration(商学院);University of Macau(澳门大学);School of Computing Technologies(计算技术学院);RMIT University(皇家墨尔本理工大学)
针对现有多模态隐喻细粒度情感数据集匮乏、多聚焦英语的问题,该研究构建了含5000对中文隐喻广告图文的EmoMeta数据集,完成多维度精细标注并公开,助力相关领域研究。
2025-05-12 cs.AI cs.CL cs.CV
GoEmotions: A Dataset of Fine-Grained Emotions
Stanford Linguistics(斯坦福大学语言学系);Google Research(谷歌研究院);Amazon Alexa(亚马逊Alexa)
理解语言表达的情感有着广泛的应用,从构建移情聊天机器人到检测有害的在线行为。可以使用具有细粒度类型的大规模数据集来改进这一领域的进步,以适应多个下游任务。我们介绍了GoEmotions,这是最大的手动注释数据集,包含58k英文Reddit评论,标记为27个情感类别或中性。我们证明了高质量的注释,通过主保留成分分析。我们使用现有的情感基准进行迁移学习实验,以表明我们的数据集可以很好地推广到其他领域和不同的情感分类。我们基于BERT的模型在我们提出的分类中达到了.46的平均F1分数,留下了很大的改进空间。
2020-06-03 cs.CL
CHEER-Ekman: Fine-grained Embodied Emotion Classification
University of Cincinnati(辛辛那提大学)
针对文本中具身情绪识别不足的问题,提出扩展的具身情绪分类数据集CHEER-Ekman,采用基于大语言模型的自动最佳-最差缩放方法,并通过简化提示和思维链推理提升识别性能。
2025-06-03 cs.CL
EmoKnob: Enhance Voice Cloning with Fine-Grained Emotion Control
Columbia University(哥伦比亚大学)
EmoKnob提出一种基于少样本示例的细粒度情感控制语音合成框架,支持开放式文本描述情感,并通过新评估指标验证其超越商业TTS的情感表现力。
2024-10-01 cs.AI cs.CL cs.HC
A Weakly Supervised Dataset of Fine-Grained Emotions in Portuguese
Brazilian Network Information Center (NIC.br)(巴西网络信息中心);Mackenzie Presbyterian University(麦肯齐长老会大学);Jusbrasil
情感计算是研究计算机如何识别、解释和模拟人类情感的科学。情感分析是NLP中与此主题相关的常见任务,但它只关注情感效价(积极,消极,中性)。NLP中的一种新兴方法是情感识别,它依赖于细粒度分类。本研究描述了一种方法来创建一个基于词汇的弱监督语料库细粒度的情绪在葡萄牙语。我们通过微调基于transformer的语言模型(BERT)并在黄金标准注释的验证集上验证它来评估我们的数据集。我们的研究结果(F1-score=.64)表明,基于词汇的弱监督作为一个适当的策略,在低资源环境中的初始工作。
2021-10-08 cs.CL
ArPanEmo: An Open-Source Dataset for Fine-Grained Emotion Recognition in Arabic Online Content during COVID-19 Pandemic
Taif University(泰夫大学);College of Computers and Information Technology(计算机与信息技术学院)
本文提出ArPanEmo数据集,包含11,128条阿拉伯语COVID-19相关在线帖子,经半自动筛选与人工细粒度情感标注,成为该领域首个且规模最大的公开数据集。
2023-05-27 cs.CL
Surfacing the Unsaid: CUE-Bench for Affective Stance in Chinese Discourse
Huazhong University of Science and Technology(华中科技大学)
针对现有情感基准缺乏情感相关要素结构化说明的问题,本文构建了以情感立场为核心的CUE Bench基准,实验证实融入情感立场可提升细粒度情感识别与语用意图检测性能。
2026-09-01 cs.AI cs.CL
Emotion Collider: Dual Hyperbolic Mirror Manifolds for Sentiment Recovery via Anti Emotion Reflection
University of Macau(澳门大学);Zhejiang University(浙江大学);Tsinghua University(清华大学);Tongji University(同济大学);University of Southampton(南安普顿大学);University of Bologna(博洛尼亚大学);Minzu University of China(中央民族大学)
本文提出Emotion Collider网络,利用双双曲镜面流形实现多模态情感和情绪建模,通过双曲空间对比学习提升类别分离,并在标准多模态情感基准上验证了其鲁棒性和准确性。
2026-07-29 cs.CL cs.LG cs.MM
Benchmarking PyCaret AutoML Against BiLSTM for Fine-Grained Emotion Classification: A Comparative Study on 20-Class Emotion Detection
Institut Teknologi Sumatera(印度尼西亚苏门答腊理工大学)
本文比较了PyCaret AutoML与BiLSTM在20类情感分类中的性能,发现BiLSTM在准确率和F1分数上略胜一筹,表明序列模型在捕捉文本情感线索方面更有效。
2026-04-29 cs.CL
Interpretability of Fine-grained Classification of Sadness and Depression
Carnegie Mellon University(卡内基梅隆大学)
虽然悲伤是人们在一生中的某些时候经历的一种人类情感,给他们带来情绪上的失望和痛苦,但抑郁症是一种长期的精神疾病,它损害了社会,职业和其他重要的功能区域,使其成为一个更加严重的问题,需要尽早得到照顾。NLP技术可以用于这些情绪的检测和后续诊断。网络上的大多数开源数据都将悲伤作为抑郁症的一部分,作为一种情绪,尽管两者的严重程度差异巨大。因此,我们创建了自己的新数据集来说明两者之间的差异。在本文中,我们的目标是突出两者之间的差异,并强调我们的模型如何解释,以明确标记悲伤和抑郁。由于这些信息的敏感性,需要采取隐私措施来处理和培训这些数据。因此,我们也探讨了联邦学习(FL)对语境化语言模型的影响。
2022-03-20 cs.AI cs.CL
Empathetic Dialog Generation with Fine-Grained Intents
School of Computer and Communication Sciences(计算机与通信科学学院);École Polytechnique Fédérale de Lausanne, Switzerland(洛桑联邦理工学院)
移情对话生成的目的是在先前的对话轮之后产生连贯的反应,更重要的是,表现出关心和帮助的愿望。现有的模型要么依赖于预定义的情感标签来指导响应生成,要么使用确定性规则来决定响应的情感。随着高级语言模型的出现,可以直接从数据集中学习微妙的交互,前提是情感类别提供足够的细微差别,并且包括其他非情感但情感调节的意图。在本文中,我们描述了如何将32个情绪类别和8个额外的情绪调节意图的分类成功的移情反应生成的任务。为了便于训练,我们还从电影字幕中策划了一个大规模的情感对话数据集。通过一个精心设计的众包实验,我们评估并展示了我们的模型如何产生更多的移情对话。
2021-10-04 cs.CL
Multilevel Transformer For Multimodal Emotion Recognition
DigiTech(奇虎360数字科技)
多模态情感识别是近年来研究的热点。利用有限的标记数据有效地融合多种模态是一项具有挑战性的任务。考虑到预训练模型的成功和情感表达的细粒度性质,将这两个方面考虑在内是合理的。不同于以往的方法,主要集中在一个方面,我们引入了一种新的多粒度框架,它结合了细粒度表示与预训练的话语级表示。受Transformer TTS的启发,我们提出了一个多级Transformer模型来进行细粒度的多模态情感识别。具体来说,我们探索不同的方法,将音素级嵌入与单词级嵌入。为了执行多粒度学习,我们简单地将多级Transformer模型与Albert相结合。大量的实验结果表明,我们的多级Transformer模型和多粒度模型优于以前的国家的最先进的方法在IEMOCAP数据集与文本抄本和语音信号。
2022-11-16 cs.AI cs.CL cs.LG
MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis
Shanghai Jiaotong University(上海交通大学);PengCheng Laboratory(鹏城实验室);Harvard Medical School(哈佛医学院)
本文提出了MEMO-Bench基准,通过7,145张由12个T2I模型生成的肖像,评估生成模型与MLLMs在情感分析中的能力,发现T2I模型更擅长生成积极情感,而MLLMs在细粒度情感识别上仍未达到人类水平。
2024-11-18 cs.AI cs.CL
Fine-Grained Emotion Detection on GoEmotions: Experimental Comparison of Classical Machine Learning, BiLSTM, and Transformer Models
Zaven P. and Sonia Akian College of Science and Engineering(扎文·皮和索尼娅·阿金科学与工程学院);American University of Armenia(亚美尼亚美国大学)
本文比较了经典机器学习、BiLSTM和Transformer模型在GoEmotions数据集上的细粒度情感识别性能,发现BERT在平衡性上表现最佳,而逻辑回归在Micro-F1指标上表现最优。
2026-01-26 cs.CL
EmoS: A High-Fidelity Multimodal Benchmark for Fine-grained Streaming Emotional Understanding
NLP(自然语言处理);CT Lab, Department of Computer and Information Science, University of Macau(计算机与信息科学学院,澳门大学CT实验室);School of Computer Science, Central China Normal University(Central China Normal University计算机科学学院)
本文提出EmoS基准,通过严格过滤静态片段与动态流式独白子集结合,解决现有数据集在生态效度和噪声方面的不足,提升多模态大语言模型在情感识别和共情模型训练中的性能。
2026-05-09 cs.CL
ViGoEmotions: A Benchmark Dataset For Fine-grained Emotion Detection on Vietnamese Texts
University of Information Technology, Ho Chi Minh City, Vietnam(胡志明市信息科技大学);Vietnam National University, Ho Chi Minh City, Vietnam(越南国家大学胡志明市分校)
本文提出ViGoEmotions数据集,包含20664条越南语社交媒体评论,细粒度情感分类为27种。通过评估不同预处理策略,发现将表情符号转为文本能提升基线模型性能,而保留表情符号对ViSoBERT和CafeBERT效果最佳。
2026-03-26 cs.CL
MISC: A MIxed Strategy-Aware Model Integrating COMET for Emotional Support Conversation
Renmin University of China(中国人民大学);Xiaomi AI Lab(小米人工智能实验室);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
将现有方法应用于情感支持对话-为有需要的人提供有价值的帮助-有两个主要局限性:(a)它们通常采用对话级别的情感标签,其粒度太粗,无法捕捉用户的即时精神状态;(b)它们中的大多数专注于在响应中表达同情,而不是逐渐减少用户的痛苦。为了解决这些问题,我们提出了一个新的模型\textbf{MISC},它首先推断用户的细粒度的情绪状态,然后巧妙地使用混合策略的响应。在基准数据集上的实验结果证明了该方法的有效性,并揭示了细粒度情感理解以及混合策略建模的好处。我们的代码和数据可以在\url{https://github.com/morecry/MISC}中找到。
2022-03-31 cs.CL
Cross-lingual Emotion Intensity Prediction
Expert System;Universitat Pompeu Fabra(庞培法布拉大学);University of Oslo(奥斯陆大学)
情感强度预测确定作者在文本中表达的情感的程度或强度,扩展了以前的情感检测分类方法。虽然以前关于这个主题的大多数工作都集中在英语文本上,但其他语言也将受益于细粒度的情感分类,最好不必在每种新语言中重新创建英语中可用的注释数据量。因此,我们探索跨语言迁移方法细粒度的情绪检测在西班牙语和加泰罗尼亚语的推文。为此,我们使用最佳-最差缩放来注释西班牙语和加泰罗尼亚语推文的测试集。我们比较了六种跨语言方法,例如,机器翻译和跨语言嵌入,它们对并行数据有不同的要求--从数百万个并行句子到完全无监督。结果表明,在这些数据上,具有低并行数据要求的方法比使用更多并行数据的方法表现得更好,我们通过深入的错误分析解释了这一点。我们在\url{https://github.com/jerbarnes/fine-grained_cross-lingual_emotion}上提供数据集和代码
2020-11-24 cs.CL
EmplifAI: a Fine-grained Dataset for Japanese Empathetic Medical Dialogues in 28 Emotion Labels
Kyoto Institute of Technology, Japan(京都技术大学);National Institute of Information and Communications Technology (NICT), Japan(信息通信技术国家研究所);Kyoto University, Japan(京都大学);Nara Institute of Science and Technology, Japan(奈良科学技术大学)
EmplifAI是一个用于日语共情医疗对话的细粒度数据集,包含28种情绪标签,通过微调提升了日本LLM的流畅性和共情能力。
2026-01-15 cs.CL
SentiXRL: An advanced large language Model Framework for Multilingual Fine-Grained Emotion Classification in Complex Text Environment
Tongji University(同济大学);Tsinghua University(清华大学);New York University(纽约大学);Tianjin University(天津大学);Soochow University(苏州大学);Westlake University(西湖大学)
针对多语言复杂语境下细粒度情感分类的挑战,提出SentiXRL框架,含情感检索增强模块和自循环分析协商机制(SANM),在多个数据集验证其优越性并揭示类别不平衡问题。
2024-11-27 cs.CL
Emotion and Sentiment Guided Paraphrasing
Westview High School(韦斯特维尤高中);Portland State University(波特兰州立大学)
本研究提出沿情感梯度的细粒度情感释义新任务,重构带细粒度情感标签的释义数据集,提出利用预训练语言模型的情感引导释义框架,显著提升高质量目标情绪释义的生成概率与相关指标得分。
2023-06-08 cs.CL cs.LG
Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
情感-原因对提取(ECPE)任务旨在从文档中提取情感和原因对。我们观察到,在典型的ECPE数据集中,情绪和原因的相对距离分布极不平衡。现有的方法设置了一个固定大小的窗口来捕获相邻子句之间的关系。然而,他们忽略了有效的语义连接之间的距离子句,导致对位置不敏感的数据的泛化能力差。为了缓解这个问题,我们提出了一种新的多粒度语义感知图模型(MGSAG),结合细粒度和粗粒度的语义特征联合,而不考虑距离的限制。特别是,我们首先探讨从文档中提取的条款和关键字之间的语义依赖关系,传达细粒度的语义特征,获得关键字增强的条款表示。此外,还建立了一个子句图来描述子句间的粗粒度语义关系。实验结果表明,MGSAG优于现有的国家的最先进的ECPE模型。特别是在位置不敏感数据的情况下,MGSAG模型的性能明显优于其他模型。
2022-08-18 cs.CL
Hyperbolic Disentangled Representation for Fine-Grained Aspect Extraction
Academia Sinica(中央研究院)
从用户评论中自动识别突出方面对于意见分析特别有用。在利用弱监督方法方面取得了重大进展,这种方法只需要一小部分种子词来训练方面分类器。然而,总有改进的余地。首先,没有弱监督方法充分利用单词之间的潜在层次结构。第二,每个种子词表示应该具有不同的潜在语义,并且当它表示不同的方面时应该是不同的。在本文中,我们提出了HDAE,双曲线解纠缠方面提取器,其中双曲线方面分类器捕获单词的潜在层次结构,和方面解纠缠表示模型的不同潜在语义的每个种子词。与之前的基线相比,HDAE在亚马逊产品评论和餐厅评论数据集上分别实现了18.2%和24.1%的平均F1性能提升。此外,嵌入式可视化体验表明HDAE是利用种子词的更有效方法。一项消融研究和一项病例研究进一步证明了所提出的组件的有效性
2021-12-16 cs.AI cs.CL
Emotion Carrier Recognition from Personal Narratives
University of Trento(特伦托大学)
个人叙述(PN)-回忆的事实,事件和思想,从自己的经验-经常用于日常对话。到目前为止,PNs主要用于任务,如效价预测或情绪分类(例如快乐,悲伤)。然而,这些任务可能会忽略更细粒度的信息,这些信息可能被证明与理解PN相关。在这项工作中,我们提出了一个新的任务叙事理解:情绪载体识别(ECR)。情感载体,即承载叙述者情感的文本片段(例如,失去爷爷,高中聚会),提供了对情感状态的细粒度描述。我们探索的任务ECR在语料库的人工标注的PN与情感载体和调查不同的机器学习模型的任务。我们提出了ECR的评估策略,包括可以适用于不同任务的指标。
2021-06-24 cs.CL
EmoHeal: An End-to-End System for Personalized Therapeutic Music Retrieval from Fine-grained Emotions
Queen Mary University of London(伦敦大学Queen Mary)
EmoHeal系统通过检测27种细粒度情绪并结合音乐治疗知识图谱与CLAMP3模型,实现个性化治疗性音乐检索,实验证明其能显著改善用户情绪。
2025-09-19 cs.AI cs.CL cs.HC
Fine-Grained Emotion Classification from Mobile App Reviews: An Empirical Study with Large Language Models
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
本研究实证评估大语言模型在严重类别不平衡下对移动应用评论进行细粒度多标签情感分类,发现少样本提示性能最优(宏F1 0.642),而编码器微调结合生成式数据增强和损失重加权可在更低延迟下接近此性能,为需求工程提供可行方案。
2026-10-06 cs.CL cs.IR cs.SE
FACES: Fine-grained Gated Semantic Alignment for Multimodal Emotional Support Conversation
School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院)
针对多模态情感支持对话系统响应浅显、策略不当的问题,提出FACES框架,通过多源奖励整合、非补偿门控融合与CoT锚点实现细粒度语义对齐,在自动与人工评估中均优于SOTA。
2026-10-15 cs.CL
Affective Natural Language Generation of Event Descriptions through Fine-grained Appraisal Conditions
Institut für Maschinelle Sprachverarbeitung, University of Stuttgart(斯图加特大学机器语言处理研究所)
本文提出在情感文本生成框架中引入细粒度评估变量作为条件,基于Bart和T5模型实验证明该方法能提升生成文本准确率10 pp F1,并赋予用户更精细的控制力。
2023-07-26 cs.CL
EmoInstruct-TTS: Dual-Path Instruction-Guided Emotional Speech Synthesis
University of Science and Technology of China(中国科学技术大学);iFLYTEK Research(科大讯飞研究院);Huawei Technologies Co., Ltd.(华为技术有限公司)
提出EmoInstruct-TTS双路径框架,通过情感嵌入和指令条件情感流模型实现细粒度情感控制,提升语音情感可控性和自然度。
2026-06-23 cs.AI cs.CL cs.SD
EnCBP: A New Benchmark Dataset for Finer-Grained Cultural Background Prediction in English
Dartmouth College(达特茅斯学院)
虽然文化背景已被证明会影响语言表达,但现有的自然语言处理(NLP)对文化建模的研究过于粗粒度,并且没有研究同一语言使用者之间的文化差异。为了解决这个问题并增强具有文化背景特征的NLP模型,我们收集,注释,手动验证和基准EnCBP,这是一个更细粒度的基于新闻的英语文化背景预测数据集。通过语言建模(LM)的评估和手动分析,我们证实,有明显的差异,在五个英语国家和美国的四个州之间的语言表达。此外,我们对九个句法(CoNLL-2003),语义(PAWS-Wiki,QNLI,STS-B和RTE)和心理语言学任务(SST-5,SST-2,情感和Go-Emotions)的评估表明,虽然引入文化背景信息由于文本域冲突而不利于Go-Emotions任务,但它显着提高了深度学习(DL)模型在其他任务上的性能。我们的研究结果有力地支持了文化背景建模的重要性,各种各样的NLP任务,并证明了EnCBP在文化相关的研究的适用性。
2022-03-28 cs.AI cs.CL cs.LG
A Discourse-level Multi-scale Prosodic Model for Fine-grained Emotion Analysis
Tsinghua University(清华大学)
本文提出话语级多尺度文本韵律模型D-MPM,通过预测音素级局部韵律嵌入和全局风格嵌入来改进细粒度情感语音合成,并构建了超1.3万条语句的中文有声书数据集DCA进行验证。
2023-09-21 cs.CL cs.SD eess.AS
Quantifying the Affective Gap: A Zero-Shot Evaluation of LLMs on Fine-Grained Emotion Taxonomies
Old Dominion University(欧道明大学)
本研究对Claude、ChatGPT和Gemini三种商业LLM进行零样本细粒度13类情感分类评估,发现最高准确率仅39.9%,模型在爱情、困惑等情感上表现差,且无显著差异,揭示当前前沿AI在零样本情感分类中的局限性。
2026-07-02 cs.CL cs.HC
Fine-grained Affective Processing Capabilities Emerging from Large Language Models
Leiden University(莱顿大学);Free University Amsterdam(阿姆斯特丹自由大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
本文探索ChatGPT仅通过提示进行情感计算的零样本能力,发现其在效价、唤醒度、支配度维度上有意义的情感分析,并能基于OCC模型进行情境评价,表明复杂情感处理能力从语言模型中涌现,对情感分析、社交机器人等应用有重要意义。
2023-09-04 cs.AI cs.CL cs.HC
Emo Pillars: Knowledge Distillation to Support Fine-Grained Context-Aware and Context-Less Emotion Classification
NLP Group, Pompeu Fabra University, Barcelona, Spain(自然语言处理组,庞培法布拉大学,巴塞罗那,西班牙);Language Technologies Unit, Barcelona Supercomputing Center, Spain(语言技术单元,巴塞罗那超级计算中心,西班牙)
针对情感数据集缺乏上下文和类别有限的问题,利用LLM数据合成和知识蒸馏,生成覆盖28类情感的大规模数据集,微调BERT型模型,在多个基准上达到SOTA性能。
2025-04-23 cs.CL
VowelPrompt: Hearing Speech Emotions from Text via Vowel-level Prosodic Augmentation
Meta Superintelligence Labs(Meta超智能实验室);Arizona State University(亚利桑那州立大学);Massachusetts Institute of Technology(麻省理工学院)
VowelPrompt通过元音层面的语调增强,提升LLM在语音情感识别中的表现并生成可解释的解释。
2026-02-06 cs.CL
Integrating Fine-Grained Audio-Visual Evidence for Robust Multimodal Emotion Reasoning
SABER-LLM通过构建大规模情绪推理数据集和结构化证据分解范式,实现鲁棒的多模态情绪推理。
2026-02-04 cs.CL cs.CV cs.MM
Detecting Perceived Emotions in Hurricane Disasters
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
自然灾害(例如,飓风)每年影响数百万人,造成广泛的破坏。人们最近开始使用社交媒体网站(例如,Twitter)与更大的社区分享他们的情绪和感受。因此,这些平台已经成为理解和感知情绪的工具。在本文中,我们介绍了HurricaneEmo,这是一个包含15,000条英语推文的情感数据集,涵盖了三场飓风:哈维,伊尔玛和玛丽亚。我们提出了一个全面的研究细粒度的情感,并提出分类任务,以区分粗粒度的情感群体。我们最好的BERT模型,即使在利用未标记的Twitter数据进行任务引导的预训练之后,也只能达到68%的准确率(所有组的平均值)。HurricaneEmo不仅是模型的一个具有挑战性的基准,而且也是分析以灾害为中心的领域中情绪的宝贵资源。
2020-04-29 cs.CL cs.CY
Fine-Grained Entity Typing in Hyperbolic Space
Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
我们如何表示实体类型的大型类型库存中的层次信息?我们研究了双曲嵌入的能力,以捕捉层次关系的上下文和他们的目标类型在一个共享的向量空间中提到。我们在两个数据集上进行评估,并研究了两种不同的技术来创建一个大型的分层实体类型库存:从专家生成的本体和自动挖掘类型共现。我们发现,双曲模型在某些情况下,但不是所有情况下,其欧几里德对应产生的改进。我们的分析表明,这种几何形状的充分性取决于类型库存的粒度和层次关系的推断方式。
2019-06-06 cs.CL
Emotion Intensity and its Control for Emotional Voice Conversion
National University of Singapore(新加坡国立大学);Singapore University of Technology and Design(新加坡科技设计大学);University of Southern Queensland(南昆士兰大学);Imperial College London(帝国理工学院);University of Augsburg(奥格斯堡大学);University of Bremen(不来梅大学)
情感语音转换(EVC)旨在转换话语的情感状态,同时保留语言内容和说话人身份。在EVC中,情感通常被视为离散的类别,忽略了语音也传达了听者可以感知的各种强度水平的情感。在本文中,我们的目标是明确的特征和控制的强度的情绪。我们建议将说话者风格从语言内容中分离出来,并将说话者风格编码成一个风格嵌入在一个连续的空间中,形成情感嵌入的原型。我们进一步学习实际的情感编码器从情感标记的数据库,并研究使用相对属性来表示细粒度的情感强度。为了确保情感的可理解性,我们将情感分类损失和情感嵌入相似性损失纳入EVC网络的训练中。根据需要,所提出的网络控制输出语音中的细粒度情感强度。通过客观和主观的评价,我们验证了所提出的网络的情感表达和情感强度控制的有效性。
2022-07-18 cs.CL cs.LG cs.SD
EmpDG: Multiresolution Interactive Empathetic Dialogue Generation
Shandong University(山东大学);Tencent AI Lab(腾讯AI实验室)
一个人性化的对话系统应该能够产生富有同情心的回复,这种回复应该对用户所表达的情感敏感。移情对话生成的任务被提出来解决这个问题。关键的挑战在于准确地捕捉人类情感的细微差别,并考虑用户反馈的潜力,这是大多数现有工作所忽视的。针对这个问题,我们提出了一个多分辨率对抗模型- EmpDG,以产生更多的移情反应。EmpDG利用粗粒度对话级和细粒度令牌级情感,后者有助于更好地捕捉用户情感的细微差别。此外,我们还引入了一个交互式对抗学习框架,该框架利用用户反馈来识别所生成的响应是否在对话中唤起情感感知。实验结果表明,该方法显着优于国家的最先进的基线在内容质量和情感感知。
2020-11-20 cs.CL
FGNET-RH: Fine-Grained Named Entity Typing via Refinement in Hyperbolic Space
UNSW(新南威尔士大学);The Hong Kong University of Science and Technology(香港科技大学)
细粒度命名实体类型(FG-NET)旨在根据上下文将实体提及分类为各种实体类型(通常为数百种)。虽然远程监督是获取监督训练数据的最常见方式,但它带来了标签噪声,因为它为实体提及分配类型标签而不管提及上下文。在处理标签噪声的尝试中,FG-NET上的领先研究假设细粒度实体类型数据具有欧几里得性质,这限制了现有模型对抗标签噪声的能力。考虑到细粒度类型层次结构呈现层次结构的事实,这使得双曲空间成为对FG-NET数据建模的自然选择。在这项研究中,我们提出了FGNET-RH,一个新的框架,受益于双曲几何结合图形结构,以执行实体类型的性能增强的方式。FGNET-RH最初使用LSTM网络来编码与上下文相关的提及,后来它形成一个图来提取/细化双曲空间中的提及编码。最后,细化的提及编码用于实体类型化。使用不同基准数据集的实验表明,FGNET-RH在严格准确性方面将FG-NET的性能提高了3.5%。
2022-06-18 cs.CL
A First Step in Combining Cognitive Event Features and Natural Language Representations to Predict Emotions
Massachusetts Institute of Technology(麻省理工学院)
我们结合不同学术领域的研究方法,探索情绪的表征空间。认知科学已经提出了评价理论作为人类情感的观点,先前的研究表明人类评价的抽象事件特征如何预测细粒度的情感,并在心理化大脑区域中捕获神经模式的相似性空间。与此同时,自然语言处理(NLP)已经证明了迁移和多任务学习如何用于应对文本建模的注释数据的稀缺性。这项工作的贡献是表明,评估理论可以与NLP相结合,互惠互利。首先,通过使用NLP表示以及评价特征,可以将细粒度的情感预测提高到人类水平的性能。其次,在训练过程中使用评估特征作为辅助目标可以提高预测,即使只有文本可作为输入。第三,我们获得了一个具有相似性矩阵的表示,该矩阵与跨区域的神经活动更好地相关。当模型被训练成使用共享表示来同时预测评价、情绪和表情符号时,可以获得最佳结果。虽然这些结果是初步的,但认知神经科学和NLP技术的整合为未来的研究开辟了一个有趣的方向。
2017-10-23 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