Unsupervised Extractive Summarization of Emotion Triggers
University of Illinois Chicago(伊利诺伊大学芝加哥分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对危机文本中情绪触发因素标注昂贵的问题,本文构建 CovidET-EXT 抽取式数据集,并提出联合检测情绪与总结触发因素的无监督 Emotion-Aware Pagerank,性能优于强基线。
2023-06-02 cs.CL
Can Machines Resonate with Humans? Evaluating the Emotional and Empathic Comprehension of LMs
MBZUAI(穆罕默德·本·扎耶德人工智能大学);University of Monash(莫纳什大学)
该研究针对语言模型共情理解建模难、现有微调方法效果有限的问题,提出对比学习、监督微调等策略,发现标注一致性低、共情解读具主观性且不受文化背景影响,为后续相关研究指明方向。
2024-10-31 cs.CL
Why Do You Feel This Way? Summarizing Triggers of Emotions in Social Media Posts
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
COVID-19大流行等危机持续威胁着我们的世界,并以不同的方式在情感上影响着全球数十亿人。了解导致人们情绪的触发因素至关重要。社交媒体帖子可以成为此类分析的一个很好的来源,但这些文本往往充满了多种情绪,触发因素分散在多个句子中。本文从一个新的角度,即情感检测和触发摘要,旨在检测文本中的感知情感,并总结事件和他们的评价,触发每种情感。为了支持这一目标,我们引入了CovidET(Covid-19期间的情绪及其触发器),这是一个包含约1,900个与COVID-19相关的英语Reddit帖子的数据集,其中包含帖子中描述的感知情绪的手动注释和触发器的抽象摘要。我们开发强大的基线来共同检测情绪并总结情绪触发因素。我们的分析表明,CovidET在特定于情感的摘要以及长社交媒体帖子中的多情感检测方面提出了新的挑战。
2022-10-22 cs.CL cs.SI
UWB at WASSA-2024 Shared Task 2: Cross-lingual Emotion Detection
University of West Bohemia, Faculty of Applied Sciences(西波西米亚大学应用科学学院);Department of Computer Science and Engineering(计算机科学与工程系);NTIS – New Technologies for the Information Society(信息社会新技术机构)
本文针对WASSA-2024跨语言情感检测任务,提出基于微调量化大模型与多语言Transformer的方法,结合机器翻译与触发词切换技术,在触发词与情感检测子任务中取得前三名优异成绩。
2025-08-12 cs.CL
The Ontological Dissonance Hypothesis: AI-Triggered Delusional Ideation as Folie a Deux Technologique
University of Otago(奥塔哥大学)
本文提出本体诚实原则,探讨人工智能引发的妄想性思维现象,并指出当前设计选择加剧了技术性双重关系症的风险。
2025-11-27 cs.AI cs.CL cs.CY
Mechanistic Decoding of Cognitive Constructs in Large Language Models
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文提出基于Representation Engineering的Cognitive Reverse-Engineering框架,分析社会比较嫉妒的认知机制,揭示模型内部对嫉妒的结构化编码,并展示如何机械检测和抑制有毒情绪状态。
2026-04-22 cs.AI cs.CL
SPBA: Utilizing Speech Large Language Model for Backdoor Attacks on Speech Classification Models
School of Computer Science(计算机科学学院);School of Software Microelectronics(软件微电子学院);Software Microelectronics(软件微电子)
针对语音分类后门触发器多样性不足的问题,本文提出 SPBA,利用 SLLM 生成音色、情感等触发器,并通过 MGDA 平衡投毒率与攻击效果。
2025-06-10 cs.AI cs.CL cs.SD
They Are Not the Same: Direct Causes Are Not Grounded Emotion Explanations
Universiti Malaya, Malaysia(马来亚大学);Suzhou University of Technology, China(苏州科技学院);VinUniversity, Vietnam(Vin 大学)
本文通过IEMO-MECP数据集分析发现,情感-原因对提取(ECPE)任务中的二元分类代理只能有效提取直接触发原因,而无法提供基于证据的情感解释,因为情感上下文(emo-context)在二元边界处被忽略,且模型在捷径压力下倾向于选择便利归因而非真实解释。
2026-05-24 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
Composite Backdoor Attacks Against Large Language Models
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Xi’an Jiaotong University(西安交通大学);NetApp(NetApp公司)
本文提出复合后门攻击(CBA),将多个触发键分散在不同提示组件中,仅在所有触发键同时出现时激活后门,在NLP和多模态任务上以极低中毒率实现高攻击成功率且保持模型性能,揭示了基础LLMs的安全风险。
2024-03-30 cs.CL cs.CR cs.LG
Human behaviour through a LENS: How Linguistic content triggers Emotions and Norms and determines Strategy choices
University of Milan-Bicocca(米兰比可卡大学)
本文提出 LENS 模型,指出决策问题的语言描述会触发情感反应与行为规范并相互作用,从而塑造个体的策略选择,并回顾了相关实验证据与未来研究方向。
2024-03-22 cs.CL cs.GT econ.GN
Chiaroscuro for Emotions: A Contrastive Emotion Benchmark Grounded in Appraisal Theory
University of Cincinnati(辛辛那提大学)
该研究提出基于评价理论的对比情感基准测试集CHIARO,经测试前沿大语言模型和现有情感分类器表现不佳,结合现有语料库训练后可提升情感识别性能。
2026-09-04 cs.CL
IEST: WASSA-2018 Implicit Emotions Shared Task
Universität Stuttgart(斯图加特大学);Ghent University(根特大学);National Research Council Canada(加拿大国家研究委员会);European Commission Joint Research Centre(欧盟委员会联合研究中心)
过去关于情绪的共享任务使用的数据既有公开的情绪表达(我很高兴见到你!)以及必须从事件描述等中推断出情感的微妙表达。此外,大多数数据集并不关注情绪的原因或刺激。在这里,我们第一次提出了一个共享的任务,系统必须在一个大型自动标记的推文数据集中预测情绪,而无需访问表示情绪的单词。基于这种意图,我们称之为内隐情感共享任务(IEST),因为系统必须主要从上下文推断情感。每条推文都有一个被掩盖的明确情感词。这些推文是以一种方式收集的,这样它们就可能包括对情绪原因的描述-刺激。总共有30支车队提交了从21%到71%的宏观F1分数范围的结果。基线(MaxEnt单词袋和二元组)获得60%的F1分数,这在开发阶段可供参与者使用。一项对人类注释者的研究表明,自动方法的表现优于人类预测,可能是通过磨练人类不使用的微妙文本线索。语料库、资源和结果可在共享任务网站http://implicitemotions.wassa2018.com上获得。
2018-09-05 cs.CL
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
Fuzzy-Rough Nearest Neighbour Approaches for Emotion Detection in Tweets
Ghent University(根特大学)
社交媒体是有意义数据的重要来源,可用于情感分析和情感识别等不同任务。大多数情况下,这些任务是用深度学习方法解决的。由于文本数据的模糊性,我们考虑使用基于模糊粗糙集的分类方法。具体来说,我们开发了一种用于SemEval-2018情感检测任务的方法,该方法基于用有序加权平均(OWA)算子增强的模糊粗糙最近邻(FRNN)分类器。我们使用基于不同文本嵌入方法的FRNN-OWA模型的调谐集成。我们的结果与基于更复杂的深度学习方法的最佳SemEval解决方案相比具有竞争力。
2021-07-08 cs.CL cs.LG
Speech Emotion Recognition Considering Local Dynamic Features
Tianjin University(天津大学);Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
近年来,语音情感识别的研究越来越受到重视,其中大多数使用话语的全局声学特征来消除内容差异。然而,言语情感的表达是一个动态的过程,它通过说话时的动态时长、能量等韵律信息来体现。本文提出了一种新的局部动态基音概率分布特征,该特征是通过绘制直方图得到的,用于提高语音情感识别的准确率。与以往大多数使用全局特征的方法相比,该方法利用了情感语音所传达的局部动态信息。在柏林情感语音数据库上的实验验证了该方法的有效性。实验结果表明,该方法获得的局部动态信息比传统的全局特征更有效地用于语音情感识别。
2018-03-21 cs.AI cs.CL cs.HC
Few-Shot Emotion Recognition in Conversation with Sequential Prototypical Networks
LTCI, Télécom-Paris, Institut Polytechnique de Paris(巴黎理工学院巴黎电信学院LTCI实验室);Direction Innovation & Recherche SNCF(法国国家铁路公司创新与研究部)
最近几项关于人与人之间的二元互动的研究都是在没有特定商业目标的对话中进行的。然而,许多公司可能会受益于专门针对更精确环境的研究,如售后服务或客户满意度调查。在这项工作中,我们将自己置于实时聊天客户服务的范围内,我们希望在对话流中检测情绪及其演变。这种背景导致了多种挑战,从利用有限的,小的和大多数未标记的数据集,以寻找和适应这种情况下的方法。我们通过使用少样本学习来解决这些挑战,同时假设它可以为不同语言和稀疏标签的会话情感分类服务。我们通过提出一种原型网络的变体来进行序列标记,我们将其命名为ProtoSeq。我们在两个不同语言的数据集上测试了这种方法:英语日常对话和法语客户服务聊天对话。当应用于会话中的情感分类时,即使与其他方法相比,我们的方法也具有竞争力。
2021-09-20 cs.CL cs.LG
PyPlutchik: visualising and comparing emotion-annotated corpora
University of Turin(都灵大学)
越来越多的文本语料库和从社交网络获取的数据正在推动基于心理学家Robert Plutchik提出的模型的大量作品,通常简称为"Plutchik轮“。相关研究从标注任务描述到情绪检测工具。这种情绪的可视化传统上是使用最流行的布局进行的,如条形图或表格,然而这些布局并不理想。普卢奇克之轮的经典表述遵循了情感对之间的接近和对立原则:在这个模型中,空间接近也是语义接近,因为相邻的情感在一起触发时会引发一种复杂的情感(一个主要的二元体);空间对立也是语义对立,因为积极的情感与消极的情感是对立的。最常见的布局无法保留这两个功能,更不用说在视觉上允许在眨眼之间比较不同语料库的需求,这对于基本的设计解决方案来说是很难的。我们介绍PyPlutchik,一个专门为Plutchik在文本或语料库中的情感可视化而设计的Python库。PyPlutchik画了Plutchik的花,每个情感花瓣的大小取决于在语料库中检测或注释的情感程度,也代表了每个情感的三个强度。值得注意的是,PyPlutchik允许用户以紧凑,直观的方式显示主要,次要,第三和相反的二元组。我们证实了我们的说法,PyPlutchik优于其他经典的可视化时,显示Plutchik的情绪,我们展示了几个例子,显示我们的库的最引人注目的功能。
2021-04-19 cs.CL cs.HC
S+PAGE: A Speaker and Position-Aware Graph Neural Network Model for Emotion Recognition in Conversation
会话中的情感识别由于其广泛应用的必要性,近年来引起了人们的广泛关注。现有的ERC方法大多将自我语境和说话人间语境分别建模,这使得它们之间缺乏足够的交互作用。在本文中,我们提出了一种新的ERC(S+PAGE),它包含三个阶段,结合Transformer和关系图卷积网络(R-GCN)的优点,更好地上下文建模的扬声器和位置感知图神经网络模型。首先,提出了一个双流会话Transformer,用于提取每个话语的粗略的自身和说话人间上下文特征。然后,一个说话人和位置感知的会话图的构建,我们提出了一个增强的R-GCN模型,称为PAG,细化的相对位置编码指导下的粗糙特征。最后,前两个阶段的特征都被输入到一个条件随机场层来模拟情感转移。
2021-12-23 cs.CL cs.SD eess.AS
Exploiting Synchronized Lyrics And Vocal Features For Music Emotion Detection
Musixmatch AI Labs(Musixmatch人工智能实验室)
音乐推荐的关键点之一是根据情感和情绪创作引人入胜的播放列表。虽然以前的作品主要是基于音频的音乐发现和播放列表生成,我们利用我们的同步歌词数据集,以一种新颖的方式结合文本表示和音乐功能;因此,我们引入同步歌词情感数据集。与随机利用音频样本和整个文本的其他方法不同,我们的数据根据歌词和音频之间同步提供的时间信息进行分割。这项工作展示了基于文本和基于音频的深度学习分类模型之间的比较,这些模型使用了来自自然语言处理和音乐信息检索领域的不同技术。从音频上的实验中,我们得出结论,只使用人声,而不是整个音频数据,提高了音频分类器的整体性能。在歌词实验中,我们利用了应用于文献中主要深度学习架构的最先进的单词表示。在我们的基准测试中,结果显示了基于fastText词嵌入的Bilinear LSTM分类器如何比应用于音频的CNN表现更好。
2019-01-15 cs.AI cs.CL
A Case Study on the Independence of Speech Emotion Recognition in Bangla and English Languages using Language-Independent Prosodic Features
语言不可知论的方法来识别语音的情绪仍然是一个不完整的和具有挑战性的任务。在本文中,我们进行了一步一步的比较分析语音情感识别(SER)使用孟加拉语和英语语言,以评估是否从语音中区分情绪是独立的语言。本研究将六种情绪分为快乐、愤怒、中性、悲伤、厌恶和恐惧。我们采用了三个情感语音集(ESS),其中前两个是由孟加拉语母语者在孟加拉语和英语语言分别开发。第三个是多伦多情绪语音集(TESS)的一个子集,它是由来自加拿大的英语母语者开发的。我们仔细选择了语言无关的韵律特征,采用了支持向量机(SVM)模型,并进行了三个实验来实现我们的命题。在第一个实验中,我们分别测量了三个语音集的性能,其次是第二个实验,其中不同的ESS对被整合来分析SER的影响。最后,我们通过训练和测试模型与不同的语音集在第三个实验中的识别率。虽然这项研究表明,在孟加拉语和英语的SER大多是语言独立的,一些差异,而在这两种语言中识别厌恶和恐惧等情绪状态。此外,我们的调查显示,非母语人士通过言语传达情感,就像用母语表达自己一样。
2022-05-14 cs.CL cs.HC cs.LG
Enhancing Hyperbole and Metaphor Detection with Their Bidirectional Dynamic Interaction and Emotion Knowledge
Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, School of Cyber Science and Engineering, Wuhan University(航空信息安全与可信计算重点实验室、教育部、网络安全科学与工程学院、武汉大学);National University of Singapore(新加坡国立大学)
针对夸张与隐喻检测中忽略二者关联及隐含情感影响的问题,提出情感引导的双向动态交互框架EmoBi,通过情感分析、领域映射和双向交互模块实现相互促进,在四个数据集上优于现有方法,显著提升检测F1分数。
2025-06-18 cs.CL cs.LG
ArtEmis: Affective Language for Visual Art
Stanford University(斯坦福大学);Ecole Polytechnique, IP Paris(巴黎理工学院);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
我们提出了一个新的大规模数据集和配套的机器学习模型,旨在提供视觉内容,其情感效果和语言解释之间的相互作用的详细了解。与计算机视觉中大多数现有的注释数据集相比,我们专注于视觉艺术作品引发的情感体验,并要求注释者指出他们对给定图像的主导情感,并且至关重要的是,还为他们的情感选择提供了一个有根据的口头解释。正如我们下面所展示的,这导致了一组丰富的信号,用于图像的客观内容和情感影响,与抽象概念(例如,“自由”或“爱”),或超出直接可见的参考,包括视觉明喻和隐喻,或个人经验的主观参考。我们专注于视觉艺术(例如,绘画,艺术照片),因为它是一个最好的例子,创造的图像,以引起情感的反应,从其观众。我们的数据集名为ArtEmis,包含来自人类的439K情感归因和解释,来自WikiArt的81K艺术品。在此基础上,我们训练和演示了一系列的字幕系统能够表达和解释的情绪,从视觉刺激。值得注意的是,这些系统产生的标题往往成功地反映了图像的语义和抽象内容,远远超出了在现有数据集上训练的系统。收集的数据集和开发的方法可在https://artemisdataset.org上获得。
2021-01-19 cs.CL cs.CV
Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19
Norwegian University of Science & Technology(挪威科技大学);Sukkur IBA University(苏库尔IBA大学);Linnaeus University(林奈大学)
不同的文化如何对危机作出反应和回应,是一个社会的规范和与危机作斗争的政治意愿的主要内容。通常情况下,所做的决定是由事件、社会压力或时间的需要所必需的,这可能不代表国家的意志。虽然有些人对此感到满意,但其他人可能会表示不满。冠状病毒(COVID-19)给各国政府的决策带来了类似的情绪。过去数月,社交媒体上充斥着对COVID-19、疫情、封锁、标签的正面和负面情绪的帖子。尽管地理位置接近,但许多邻国的反应却各不相同。例如,丹麦和瑞典有许多相似之处,但在各自政府所作的决定上却大相径庭。然而,他们国家的支持大多是一致的,不像南亚邻国,人们表现出了很多焦虑和不满。这项研究旨在利用自然语言处理(NLP)和深度学习技术检测和分析Twitter帖子在疫情初期和封锁期间表现出的情绪极性和情绪。深度长短期记忆(LSTM)模型用于从提取的推文中估计情感极性和情感,已经过训练,以在sentiment 140数据集上达到最先进的准确性。表情符号的使用展示了一种独特而新颖的方法,可以在从Twitter提取的推文上验证监督深度学习模型。
2020-08-23 cs.CL cs.CY cs.LG
ARC-NLP at PAN 2023: Hierarchical Long Text Classification for Trigger Detection
Aselsan Research Center(阿瑟尔桑研究中心)
本文针对同人小说中触发内容的检测问题,提出一种基于Transformer和LSTM的层次化长文本分类模型,在PAN CLEF 2023共享任务验证集上取得了优于基线的F1分数。
2023-07-27 cs.CL cs.SI