Beyond Sentiment: The Manifold of Human Emotions
Georgia Institute of Technology(佐治亚理工学院)
情感分析预测文本文档中积极或消极情感的存在。在本文中,我们考虑高维扩展的情感概念,这代表了一个更丰富的人类情感。我们的方法超越了以前的工作,因为我们的模型包含一个连续的流形,而不是一组有限的人类情感。我们研究了由此产生的模型,将其与心理学观察进行比较,并探索其预测能力。除了在没有歧管的基线上获得显着改善外,我们还能够在不同领域中可视化不同的积极情绪概念。
2013-08-08 cs.CL
Multi-task Learning for Multi-modal Emotion Recognition and Sentiment Analysis
Indian Institute of Technology Patna(巴特那印度理工学院);Nanyang Technological University(南洋理工大学)
相关的任务通常相互依赖,在联合框架中解决时表现得更好。在本文中,我们提出了一个深度多任务学习框架,它可以同时执行情感和情绪分析。多模态输入(即,视频的文本、声音和视觉帧)传达不同且独特的信息,并且通常在决策制定中不具有相等的贡献。我们提出了一个上下文级别的跨模态注意力框架,用于同时预测话语的情感和表达的情绪。我们在CMU-MOSEI数据集上评估了我们提出的多模态情感和情绪分析方法。评价结果表明,多任务学习框架提供了单任务框架的改进。所提出的方法报告新的国家的最先进的性能为情感分析和情感分析。
2019-05-14 cs.CL
Emotion-Enhanced Multi-Task Learning with LLMs for Aspect Category Sentiment Analysis
School of Data Science, Lingnan University, Hong Kong(数据科学学院,岭南大学,香港)
本文提出一种情感增强的多任务学习框架,通过整合Ekman基本情感和VAD模型,提升方面类别情感分析的细粒度情感捕捉能力。
2025-11-24 cs.CL
Sentiment Analysis: Automatically Detecting Valence, Emotions, and Other Affectual States from Text
National Research Council Canada(加拿大国家研究委员会)
机器学习的最新进展已经导致行为类似于人类的计算机系统。情感分析,即自动确定文本中的情感,使我们能够利用商业、公共卫生、政府政策、社会科学和艺术中以前无法实现的大量机会。此外,从新闻到社交媒体帖子,对文本中的情感分析不仅提高了我们对人们如何通过语言传达情感的理解,而且也提高了我们对情感如何塑造我们行为的理解。本文对情感分析研究进行了全面的概述,包括:该领域的起源,任务的丰富景观,挑战,所使用的方法和资源的调查,以及应用程序。我们还讨论了如何,没有仔细的预先思考,情感分析有潜在的有害结果。我们概述了在情感分析中追求公平的最新研究路线。
2021-01-14 cs.CL
XED: A Multilingual Dataset for Sentiment Analysis and Emotion Detection
University of Helsinki(赫尔辛基大学)
我们介绍了XED,一个多语言的细粒度情感数据集。该数据集包括人类注释的芬兰语(25k)和英语句子(30k),以及30种其他语言的预测注释,为许多低资源语言提供了新的资源。我们使用Plutchik的核心情感来注释数据集,并添加中性来创建多标签多类数据集。该数据集使用特定语言的BERT模型和SVM进行了仔细评估,以表明XED与其他类似数据集的性能相当,因此是情感分析和情感检测的有用工具。
2020-11-06 cs.CL
A Multi-task Ensemble Framework for Emotion, Sentiment and Intensity Prediction
Indian Institute of Technology Patna(印度理工学院巴特那分校);Kyoto University(京都大学)
本文在多任务集成框架下研究了情绪和情感分析的三个问题,即“情绪分类与强度”、“情绪的效价、唤醒度与优势度”和“情绪的效价与唤醒度”。底层问题涵盖两种粒度(即粗粒度和细粒度)和各种域(即tweets,Facebook帖子,新闻标题,博客,信件等)。集成模型旨在利用三种深度学习模型(即CNN,LSTM和GRU)的学习表示和手工制作的预测特征表示。基准数据集上的实验结果表明,我们提出的多任务集成框架的有效性。对于大多数问题和领域,我们在单任务系统上平均获得了2-3点的性能改进。
2018-10-15 cs.CL
Probabilistic emotion and sentiment modelling of patient-reported experiences
The University of Adelaide(阿德莱德大学);James Cook University(詹姆斯·库克大学)
本研究提出一种基于元数据网络主题建模和朴素贝叶斯分类器的概率性情绪推荐系统,用于从Care Opinion平台分析患者体验,预测多标签情绪与二元情绪,显著优于基线模型,并提供R包和仪表板辅助个性化医疗。
2024-01-09 cs.CL
Positively transitioned sentiment dialogue corpus for developing emotion-affective open-domain chatbots
Artificial Intelligence Application Research Center, Huawei Technologies(华为技术有限公司人工智能应用研究中心)
在本文中,我们描述了一种数据增强方法,用于开发Emily,一个情感开放域聊天机器人。所提出的方法是基于显式建模的正转换(PT)的情感数据从多轮对话。我们用PT情感数据构建了一个对话语料库,并将其公开使用。通过使用产生的PT增强对话微调预训练的对话模型,我们能够开发一个情感情感开放域聊天机器人,在各种情感情感指标中表现出接近人类的表现。我们评估艾米丽对一些国家的最先进的(SOTA)开放域聊天机器人,并显示所提出的方法的有效性。语料库是公开提供的。
2022-08-10 cs.CL
Tracking Sentiment in Mail: How Genders Differ on Emotional Axes
Institute for Information Technology, National Research Council Canada(加拿大国家研究委员会信息技术研究所);School of Computing Science, Simon Fraser University(西蒙弗雷泽大学计算机科学学院)
随着电子邮件的广泛使用,我们现在可以访问我们自己写的前所未有的大量文本。在本文中,我们将展示如何将情感分析与有效的可视化相结合,以量化和跟踪多种类型邮件中的情感。我们通过众包创建了一个很大的词--情感联想词典,并用它来比较情书,仇恨邮件和自杀笔记中的情感。我们发现,有显着的性别差异,他们如何使用情感词在工作场所的电子邮件。例如,女性使用许多来自喜悦-悲伤轴的词汇,而男性则更喜欢来自恐惧-信任轴的词汇。最后,我们展示了可以帮助人们在电子邮件中跟踪情绪的可视化。
2013-09-24 cs.CL
A Survey on Sentiment and Emotion Analysis for Computational Literary Studies
Institut für Maschinelle Sprachverarbeitung(机器语言处理研究所);University of Stuttgart(斯图加特大学)
情感是令人信服的叙事的重要组成部分:文学告诉我们人们的目标,欲望,激情和意图。情感分析是情感分析的一个分支,在文学研究中受到越来越多的关注。以往对文学情感维度的研究主要是在文学解释学的语境中进行的。然而,随着被称为数字人文(DH)的研究领域的出现,一些在文学背景下的情感研究已经采取了计算转向。鉴于DH仍在作为一个领域形成的事实,这一研究方向可以相对较新。在这项调查中,我们提供了一个概述现有的机构的研究情绪分析应用于文学。正在审查的研究涉及各种主题,包括跟踪情节发展的戏剧性变化,文学文本的网络分析,以及理解文本的情感等主题。
2022-07-11 cs.CL
Emotions are Subtle: Learning Sentiment Based Text Representations Using Contrastive Learning
Carnegie Mellon University(卡内基梅隆大学);University of California(加利福尼亚大学)
对比学习技术作为一种扩充数据集的手段已经广泛应用于计算机视觉领域。在本文中,我们将这些对比学习嵌入的使用扩展到情感分析任务,并证明了对这些嵌入的微调提供了对基于BERT的嵌入的微调的改进,以在DynaSent数据集上评估时实现情感分析任务的更高基准。我们还探索了我们的微调模型在跨域基准数据集上的表现。此外,我们还探索了上采样技术,以实现更平衡的类分布,从而进一步改进我们的基准测试任务。
2021-12-02 cs.CL
Tracking Emotional Dynamics in Chat Conversations: A Hybrid Approach using DistilBERT and Emoji Sentiment Analysis
Kazakh-British Technical University(哈萨克英国技术大学);School of Information Technology and Engineering(信息技术与工程学院)
本文提出结合DistilBERT文本情绪检测与表情符号情感分析的混合方法,用于实时追踪聊天对话中的情绪动态,并在Twitter数据集上验证其优于SVM、Random Forest和AdaBoost的性能。
2024-08-03 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
SELF & FEIL: Emotion and Intensity Lexicons for Finnish
University of Helsinki(赫尔辛基大学)
本文介绍了芬兰语情感和情绪词典(SELF)和芬兰语情绪强度词典(FEIL)。我们描述了词典的创建过程,并使用一些常用的工具来评估词典。词典使用NRC情感词典的注释,并经过精心编辑的翻译。据我们所知,这是芬兰语第一个全面的情感和情感词汇。
2021-04-28 cs.CL
Tracing Intricate Cues in Dialogue: Joint Graph Structure and Sentiment Dynamics for Multimodal Emotion Recognition
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院);Institute of Artificial Intelligence, Huazhong University of Science and Technology(华中科技大学人工智能研究院);Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology(华中科技大学脑启发智能系统省重点实验室);Key Laboratory of Image Processing and Intelligent Control (Huazhong University of Science and Technology), Ministry of Education(图像处理与智能控制重点实验室(华中科技大学))
提出GraphSmile方法,通过GSF模块交替吸收跨模态和模态内情感依赖避免融合冲突,并利用SDP辅助任务捕捉情感动态,显著提升了多模态情感识别与分析任务的性能。
2025-06-29 cs.CL
Frustratingly Easy Sentiment Analysis of Text Streams: Generating High-Quality Emotion Arcs Using Emotion Lexicons
University of Alberta(阿尔伯塔大学);National Research Council Canada(加拿大国家研究委员会)
自动生成的情感弧线--捕捉个人或群体随着时间的推移的感受--广泛用于工业和研究。然而,有很少的工作,评估所产生的弧。这在一定程度上是由于建立真正的(黄金)情感弧的困难。我们的工作,第一次,系统和定量评估自动生成的情感弧。我们还比较了生成情感弧的两种常见方法:机器学习(ML)模型和仅词汇(LexO)方法。利用大量不同的数据集,我们系统地研究了情感词典的质量与可以由其生成的情感弧的质量之间的关系,我们还研究了实例级情感检测系统的质量与情感弧的质量之间的关系。(比如说从ML模型)和可以用它生成的情感弧的质量。我们表明,尽管在实例级别上明显较差,LexO方法通过聚合来自数百个实例的信息,在生成情感弧方面非常准确。这对商业开发以及心理学、公共卫生、数字人文等领域的研究具有广泛的影响,这些领域重视简单的可解释方法,而不需要特定领域的训练数据、编程专业知识和高碳足迹模型。
2022-10-13 cs.CL
ASEM: Enhancing Empathy in Chatbot through Attention-based Sentiment and Emotion Modeling
Qatar University(卡塔尔大学);MSA University(MSA大学)
ASEM提出一种端到端模型,通过多编码器专家混合和专门注意力策略,在情感分析之上进行情绪分析,使开放域聊天机器人能够生成更准确、多样且共情的回应,情绪检测准确率提升6.2%,词汇多样性提升1.4%。
2024-02-25 cs.CL
CrisisKD: Five-Stage Knowledge Distillation for Aspect-Level Sentiment and Emotion Analysis in Crisis Discourse
University of Twente(特文特大学);University of Zagreb(萨格勒布大学)
提出CrisisKD五阶段知识蒸馏框架,用教师LLM生成标签和推理,训练学生模型进行方面级情感与情绪分析,显著提升性能并降低推理成本。
2026-09-09 cs.CL
Developing a concept-level knowledge base for sentiment analysis in Singlish
Nanyang Technology University(南洋理工大学)
在本文中,我们提出了新加坡式英语情感词典,一个概念级的知识库,情感分析,关联多词表达的一组情感标签和极性值。与许多其他情感分析资源不同,该词典不是通过手动标记来自WordNet或DBPedia等一般NLP资源的知识片段来构建的。相反,它是通过应用图挖掘和多维缩放技术从三个不同的来源收集的情感常识知识自动构建的。这种知识冗余表示在三个层次:语义网络,矩阵,向量空间。随后,通过扩散激活、神经网络和情感分类模型的集成应用,对概念进行情感和极性标记。
2017-07-14 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
The MuSe 2021 Multimodal Sentiment Analysis Challenge: Sentiment, Emotion, Physiological-Emotion, and Stress
University of Augsburg(奥格斯堡大学);University of Ulm(乌尔姆大学);Nanyang Technological University(南洋理工大学);University of Oulu(奥卢大学);Imperial College London(帝国理工学院)
多模态情感分析(MuSe)2021是一项挑战,通过更全面地整合视听、语言和生物信号模态,专注于情感和情绪的任务,以及生理情绪和基于情绪的压力识别。MuSe 2021的目的是汇集来自不同学科的社区;主要是视听情感识别社区(基于信号),情感分析社区(基于符号)和健康信息学社区。我们提出了四个不同的子挑战:MuSe-Wilder和MuSe-Stress,专注于持续的情绪(效价和唤醒)预测; MuSe-Sent,参与者识别五个类别的效价和唤醒;和MuSe-Physio,其中“生理情绪”的新方面将被预测。在今年的挑战中,我们利用MuSe-CaR数据集,专注于用户生成的评论,并引入Ulm-TSST数据集,该数据集显示了处于紧张状态的人。本文还详细介绍了从这些数据集中提取的最先进的特征集,供我们的基线模型长短期记忆-递归神经网络使用。对于每个子挑战,为参与者设置了竞争基线;即,在测试中,我们报告MuSe-Wilder的一致性相关系数(CCC)为.4616 CCC; MuSe-Stress为.4717 CCC,MuSe-Physio为.4606 CCC。MuSe-Sent的F1评分为32.82%。
2021-10-22 cs.AI cs.CL
Multimodal Relational Tensor Network for Sentiment and Emotion Classification
Anticipatory Computing Lab(预期计算实验室);Intel Labs(英特尔实验室)
从视频片段中理解情感将语言,音频和视频领域的研究人员聚集在一起。目前多模态的研究大多涉及各种技术来融合模态,并且大多独立地处理视频的片段。受Zadeh等人,2017)和(Ketzet al.,2017),我们提出了我们的架构,关系张量网络,其中我们使用段内(段内)的模态间交互,并考虑视频中的段序列来建模段间模态间交互。我们还通过利用更丰富的音频和语言上下文以及融合基于文本极性分数的细粒度知识来生成文本和音频模态的丰富表示。我们在CMU-MOSEI数据集上展示了我们的模型的结果,并表明我们的模型在情感分类和情感识别方面优于许多基线和最先进的方法。
2018-06-07 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
The Manifold of Human Emotions
Georgia Institute of Technology(佐治亚理工学院)
情感分析预测文本文档中积极或消极情感的存在。在本文中,我们考虑高维扩展的情感概念,这代表了一个更丰富的人类情感。我们的方法超越了以前的工作,因为我们的模型包含一个连续的流形,而不是一组有限的人类情感。我们研究了由此产生的模型,将其与心理学观察进行比较,并探索其预测能力。
2013-01-15 cs.CL
A system for the 2019 Sentiment, Emotion and Cognitive State Task of DARPAs LORELEI project
University of Southern California(南加利福尼亚大学)
在世界任何地方都可能发生的人道主义援助-救灾危机期间,需要帮助的人往往会在网上发布实时信息,而这些信息反过来又可供参与危机管理的不同利益攸关方使用。自动处理这些帖子可以大大提高这些努力的效力;例如,了解特定地区受影响人口的总体情绪可能有助于决策者了解如何最好地分配资源,以有效应对灾害。然而,这些努力可能会受到当地语言资源的严重限制。DARPA正在进行的紧急事件低资源语言项目(LORELEI)旨在进一步发展低资源语言在人道主义危机背景下的语言处理技术。在这项工作中,我们描述了我们提交的2019年LORELEI项目的情绪,情感和认知状态(SEC)试点任务。我们描述了一系列的情感分析系统,包括在我们的提交以及提取的功能。我们的现场系统在SEC试点任务的英语和西班牙语评估中获得了最佳结果。
2019-05-01 cs.CL
Proverbs or Pythian Oracles? Sentiments and Emotions in Greek Sayings
Archimedes/Athena Research Center(阿基米德/雅典娜研究中心);Athens University of Economics and Business(雅典经济与商业大学)
本文通过多标签标注框架分析希腊箴言的情感与情绪分布,揭示其多维特性,并展示LLMs在理解地方性箴言景观中的应用。
2026-01-08 cs.CL
AI in Mental Health: Emotional and Sentiment Analysis of Large Language Models' Responses to Depression, Anxiety, and Stress Queries
University of Tehran(塔里斯坦大学);University of South Carolina(南卡罗来纳大学);University of West London(西伦敦大学);Azad University(阿扎德大学);Amirkabir University of Technology(阿米卡比尔技术大学)
本文研究了八个大型语言模型对不同用户画像下抑郁、焦虑和压力查询的情绪回应,发现模型选择和心理健康状况类型显著影响情绪表达,而人口统计学因素影响甚微,为心理健康应用中的模型选择提供了依据。
2025-08-15 cs.CL
Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in Sentiment Analysis
University of Alberta(阿尔伯塔大学);National Research Council Canada(加拿大国家研究委员会);LMU Munich(慕尼黑大学)
本研究首次系统性定量评估自动生成的情感弧,对比机器学习与纯词典方法,通过多语言多数据集实验证明纯词典方法聚合多实例可生成准确情感弧,且英语词典自动翻译能为资源匮乏语言生成高质量情感弧,助力全球多语言情感研究。
2023-11-04 cs.CL
NepEMO: A Multi-Label Emotion and Sentiment Analysis on Nepali Reddit with Linguistic Insights and Temporal Trends
Department of Computer Science and Application(计算机科学与应用系);Mechi Multiple Campus, Tribhuvan University(特里布文大学梅奇多校园);School of Computer Science(计算机科学学院);Queensland University of Technology(昆士兰理工大学);Department of Electronics and Computer Engineering(电子与计算机工程系);Advanced College of Engineering and Management, Tribhuvan University(特里布文大学先进工程与管理学院);School of Engineering and Technology(工程与技术学院)
NepEMO数据集通过多标签情绪和情感分析,结合语言洞察与时间趋势,提升尼泊尔Reddit帖子的情感识别能力。
2025-12-28 cs.CL
Sentiment-Aware Automatic Speech Recognition pre-training for enhanced Speech Emotion Recognition
Amazon(亚马逊公司)
提出了一种新的语音情感识别多任务预训练方法。我们在自动语音识别(ASR)和情感分类任务上同时预训练SER模型,以使声学ASR模型更具"情感意识“。我们使用在公开数据上训练的文本到情感模型来生成情感分类的目标。最后,我们对情感注释语音数据的声学ASR进行微调。我们在MSP播客数据集上评估了所提出的方法,在那里我们实现了最好的一致性相关系数(CCC)为0.41的效价预测。
2022-01-27 cs.CL cs.SD eess.AS
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术研究所)
针对情感分析对资源的依赖问题,提出基于孪生网络的SNASA模型,通过联合训练高低资源语言在公共情感空间学习表示,在多语言数据集上性能优于现有方法。
2018-04-03 cs.CL
Overview of Memotion 3: Sentiment and Emotion Analysis of Codemixed Hinglish Memes
University of South Carolina(南卡罗来纳大学);Stanford University(斯坦福大学);Amazon AI(亚马逊人工智能);Microsoft(微软)
本文介绍了AAAI-23 DeFactify 2研讨会中的Memotion 3共享任务,发布了印地语-英语混合模因数据集,涵盖情感、情绪及情绪强度三项任务,超50团队注册,最佳F1分数分别为34.41、79.77和59.82。
2023-09-12 cs.CL
Contrastive Clustering: Toward Unsupervised Bias Reduction for Emotion and Sentiment Classification
The MITRE Corporation(MITRE 公司)
背景资料:当神经网络情感和情绪分类器用于公共卫生信息学研究时,分类器中存在的偏见可能会产生无意中的误导性结果。目的:这项研究评估了偏见对COVID-19主题的影响,并展示了应用于COVID-19社交媒体文本时减少偏见的自动算法。这可以帮助公共卫生信息学研究在危机期间产生更及时的结果,减少误导性结果的风险。研究方法:在使用无监督对比聚类对分类器进行去偏之前和之后,将情绪和情感分类器应用于COVID-19数据。对比聚类通过对比标记对主题与情绪或情感的相对显著性来近似标记与情绪或情感表现出因果关系与相关关系的程度。结果:对比聚类区分相关性与因果关系的令牌的F1得分为0.753。从分类器输入中屏蔽倾向于偏见的标记会使分类器的总体F1得分降低0.02(愤怒)和0.033(消极情绪),但会使注释为倾向于偏见的句子的F1得分提高0.155(愤怒)和0.103(消极情绪)。平均各个主题,去偏见将愤怒估计减少了14.4%,负面情绪估计减少了8.0%。结论:对比聚类减少了与COVID-19大流行有关的社交媒体文本的情感和情绪分类中的算法偏见。公共卫生信息学研究应该考虑偏见,因为它在一系列主题中普遍存在。需要进一步的研究来改进减少偏倚的技术,并探讨偏倚对公共卫生信息学分析的不利影响。
2021-11-14 cs.AI cs.CL
Cross-lingual Opinions and Emotions Mining in Comparable Documents
本研究通过构建双语情绪词典和跨语言标注方法,分析英阿可比文档中的情感与情绪差异,发现同源新闻机构文档标注一致,异源则分歧,方法具有语言无关性。
2025-08-05 cs.CL
Understanding Environmental Posts: Sentiment and Emotion Analysis of Social Media Data
School of Information Technology and Engineering, Kazakh-British Technical University(哈萨克-英国技术大学信息技术与工程学院)
该研究使用PMI算法分析2014—2023年多平台环境帖文的情感与情绪,揭示负面表达及恐惧、信任、期待等主导反应,为环境干预提供依据。
2023-12-05 cs.CL
Multi-Task Learning with Sentiment, Emotion, and Target Detection to Recognize Hate Speech and Offensive Language
Universidad de Jaén(哈恩大学);Mugla Sitki Kocman University(穆拉·西特基·科奇曼大学);University of Stuttgart(斯图加特大学)
仇恨言论和攻击性语言(HOF)的识别通常被制定为一个分类任务,以确定文本是否包含HOF。我们研究了HOF检测是否可以通过考虑HOF和类似概念之间的关系来获利:(a)HOF与情感分析相关,因为仇恨言论通常是负面的陈述,表达负面的意见;(b)它与情绪分析有关,表达的仇恨指向作者经历了(或假装经历)愤怒,而收信人经历(或打算经历)恐惧。(c)最后,联邦法院的一个构成要素是提及目标个人或群体。在此基础上,我们假设HOF检测在多任务学习设置中与这些概念联合建模时显示出改进。我们的实验基于这些概念(情感,情绪,HOF目标)的现有数据集,并在HASOC FIRE 2021英语子任务1A中作为参与者(作为IMS-SINAI团队)评估我们的模型。基于模型选择实验,我们考虑了多个可用资源和对共享任务的提交,我们发现CrowdFlower情感语料库,SemEval 2016情感语料库和OffensEval 2019目标检测数据的组合导致基于BERT的多头多任务学习模型的F1 = 0.79,而普通BERT的F1 = 0.7895。在HASOC 2019年的测试数据上,这一结果更为实质性,F1增加了2 pp,召回率也有相当大的增加。在这两个数据集(2019年,2021年)中,HOF类的召回率特别增加(2019年数据为6pp,2021年数据为3 pp),这表明具有情感,情绪和目标识别的MTL是可能部署在社交媒…
2022-07-11 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
MultiProSE: A Multi-label Arabic Dataset for Propaganda, Sentiment, and Emotion Detection
King Saud University(沙特国王大学);Majmaah University(迈迈大学);Imam Mohammad Ibn Saud Islamic University(伊玛目穆罕默德·本·沙特伊斯兰大学);Alfaisal University(费萨尔大学)
本文构建首个多标签阿拉伯语宣传、情感与情绪检测数据集 MultiProSE,含8,000篇标注新闻,并基于LLM和PLM建立基线。
2025-02-12 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
Sentiment Analysis and Emotion Classification using Machine Learning Techniques for Nagamese Language -- A Low-resource Language
Nagaland University(那加兰大学)
本研究首次针对纳加姆语进行情感分析与情绪分类,构建了包含1,195个词汇的情感极性词典,并利用朴素贝叶斯和支持向量机等机器学习技术进行分析。
2025-12-01 cs.AI cs.CL
Crowdsourcing for Beyond Polarity Sentiment Analysis A Pure Emotion Lexicon
University of Southampton(南安普顿大学)
情感分析的目的是揭示通过信息传递的情感。在其最简单的形式中,它是在极性的基础上执行的,其目标是对具有积极或消极情绪的信息进行分类。最近的研究探索了更微妙的方法来捕捉超越极性的情绪。要使这些方法发挥作用,它们需要一个关键的资源:一个适合手头任务的词汇,就它所捕捉的多样性的情感范围而言。在过去,情感分析词典是由语言学家和行为科学家等专家根据严格的规则创建的。词典评估也由专家或黄金标准进行。在我们的论文中,我们提出了一个众包方法的词汇采集,这是可扩展的,成本效益高,不需要专家或黄金标准。我们还比较了人群和专家对词典的评价,以评估整体词典质量和人群的评价能力。
2017-10-04 cs.CL cs.HC
Sarcasm Detection Framework Using Context, Emotion and Sentiment Features
Instituto Politécnico Nacional(国立理工学院)
讽刺检测是一项重要的任务,可以帮助识别用户生成的数据(如论坛或推文)中的实际情绪。讽刺是一种复杂的语言表达形式,因为它的表面意义通常与其内在的深层意义相矛盾。这种不协调是讽刺的基本组成部分,然而,它使得讽刺检测相当具有挑战性的任务。在本文中,我们提出了一个模型,它结合了不同的功能来捕捉讽刺内在的不协调。我们使用预训练的Transformer和CNN来捕获上下文特征,并且我们使用在情感检测和情感分析任务上预训练的Transformers。我们的方法在来自社交网络平台和在线媒体的四个数据集上的表现优于以前的最先进的结果。
2023-01-04 cs.CL cs.LG
Based on Data Balancing and Model Improvement for Multi-Label Sentiment Classification Performance Enhancement
University College London(伦敦大学学院);Central South University(中南大学);Nanyang City Fifth Complete School(南阳市第五完全学校);Wuhan Guanggu Future School(武汉光谷未来学校)
本文通过构建平衡的多标签情感数据集并改进模型结构,提升情感分类性能,实验结果显示在准确率、精确率、召回率、F1分数和AUC等方面均有显著提升。
2026-03-28 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
Sentiment and Emotion Classification of Indonesian E-Commerce Reviews via Multi-Task BiLSTM and AutoML Benchmarking
Department of Data Science(数据科学系);Institut Teknologi Sumatera(苏门答腊理工大学);Department of Informatics Engineering(信息工程系)
本文提出双轨分类流程,利用TF-IDF与AutoML及BiLSTM模型处理印尼电商评论,实现二元情感与五类情绪分类,通过预处理模块和四组配置提升分类性能。
2026-04-27 cs.CL
A Comparative Evaluation of Large Language Models for Persian Sentiment Analysis and Emotion Detection in Social Media Texts
University of Verona(维罗纳大学);Edinburgh Napier University(爱丁堡纳皮尔大学)
本文对比评估了四种主流大语言模型在波斯语社交媒体情感分析与情绪检测上的表现,发现各模型性能无显著差异,但GPT-4o准确率略高、Gemini 2.0 Flash成本效益最佳,并为波斯语NLP应用提供了模型选择基准。
2025-09-18 cs.CL
A Transformer-based joint-encoding for Emotion Recognition and Sentiment Analysis
Information, Signal and Artificial Intelligence Lab(信息、信号与人工智能实验室);University of Mons(蒙斯大学)
理解所表达的情感和情绪是人类多模态语言的两个关键因素。本文描述了一种基于转换器的联合编码(TBJE)的任务,情感识别和情感分析。除了使用Transformer架构之外,我们的方法还依赖于模块化的共同关注和一瞥层来联合编码一个或多个模态。提出的解决方案也已提交给ACL 20:第二次多模态语言大挑战,将在CMU-MOSEI数据集上进行评估。复制所呈现实验的代码是开源的:https://github.com/jbdel/MOSEI_UMONS。
2020-06-29 cs.CL cs.HC cs.LG
Emo2Vec: Learning Generalized Emotion Representation by Multi-task Training
Center for Artificial Intelligence Research (CAiRE)(人工智能研究中心(CAiRE));The Hong Kong University of Science and Technology(香港科技大学)
在本文中,我们提出了将情感语义编码到向量中的V2 Vec。我们通过多任务学习六个不同的情感相关任务来训练E2 Vec,包括情感/情感分析、讽刺分类、压力检测、辱骂语言分类、侮辱检测和人格识别。我们的评估表明,它优于现有的情感相关的表示,如情感特定的词嵌入和DeepMoji嵌入与更小的训练语料库。当与GloVe相结合时,Glo 2 Vec使用简单的逻辑回归分类器在多个任务上实现了具有竞争力的性能,达到了最先进的结果。
2018-09-12 cs.CL
Emotion Recognition for Low-Resource Turkish: Fine-Tuning BERTurk on TREMO and Testing on Xenophobic Political Discourse
New Media and Communications Social Sciences University of Ankara (ASBU)(新媒体与传播科学大学安卡拉大学(ASBU));Department of Computer Science Gazi University(计算机科学系加齐大学)
本研究针对低资源土耳其语,基于BERTurk和TREMO数据集构建准确率达92.62%的情感识别模型,分析土耳其社交媒体上的反难民情绪话语,为本地化NLP工具及相关领域应用提供支撑。
2025-05-17 cs.CL
A Quantum Probability Driven Framework for Joint Multi-Modal Sarcasm, Sentiment and Emotion Analysis
Beijing Institute of Technology(北京理工大学);The Open University(开放大学);The Hong Kong Polytechnic University(香港理工大学);Chongqing University(重庆大学);China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司);Nanjing University(南京大学);Zhengzhou University of Light Industry(郑州轻工业大学)
针对多模态讽刺、情感与情绪判断中的跨模态交互和不相容认知问题,提出量子概率驱动框架 QUIET,并在两个数据集上验证其优于先进基线。
2023-06-06 cs.AI 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
MEGnifying Emotion: Sentiment Analysis from Annotated Brain Data
University of Oxford(牛津大学);Bowdoin College(鲍登学院)
该研究利用预训练模型对MEG数据进行情感标注,并通过强制对齐提升脑到情感模型的性能,证明了从脑信号直接解码情感的可行性。
2026-01-26 cs.CL cs.HC cs.LG
Evaluating Prompt Engineering Strategies for Sentiment Control in AI-Generated Texts
German Aerospace Center (DLR), Institute of Software Technology, Cologne, Germany(德国航空航天中心(DLR),软件技术研究所,科隆,德国)
本文通过提示工程策略有效控制AI生成文本情感,相较于微调方法更具成本效益和实用性,尤其在数据受限环境下表现突出。
2026-02-06 cs.CL
Sentiment and Emotion Classification of Epidemic Related Bilingual data from Social Media
Al-Khawarizmi Institute of Computer Sciences(花拉子米计算机科学研究所);University of Engineering & Technology(工程技术大学)
情感分析和情感分类是近年来自然语言处理(Natural Language Processing,NLP)领域中应用最为广泛的两种技术。虽然情感分析和情感分类通常用于分析客户评论,竞选候选人的受欢迎程度以及对各种体育赛事的评论等应用程序,但在本研究中,我们研究了它们在流行病爆发检测中的应用。早期发现疫情是有效应对疫情的关键,然而,传统的疫情发现方法耗时长,阻碍了相关部门的及时反应。社交媒体平台,如Twitter,Facebook,Instagram等,允许用户表达他们对生活不同方面的想法,因此,在这种情况下,作为一个重要的信息来源。该研究利用了来自Twitter和NEWS网站的双语(乌尔都语和英语)数据,这些数据与巴基斯坦的登革热疫情有关,并进行了情感分析和情感分类,以从数据集中获得深刻的见解,从而获得与疫情爆发有关的公平想法。机器学习和深度学习算法已被用于训练和实现用于执行这两项任务的模型。每个模型的比较性能进行了评估,使用准确率,精度,召回率和f1-措施。
2021-05-04 cs.CL cs.LG