論文の概要: Automatic Expansion of Domain-Specific Affective Models for Web Intelligence Applications

• arxiv url: http://arxiv.org/abs/2102.00827v1
• Date: Mon, 1 Feb 2021 13:32:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 07:44:24.536806
• Title: Automatic Expansion of Domain-Specific Affective Models for Web Intelligence Applications
• Title（参考訳）: Webインテリジェンスアプリケーションのためのドメイン特化モデルの自動拡張
• Authors: Albert Weichselbraun, Jakob Steixner, Adrian M.P. Bra\c{s}oveanu, Arno Scharl, Max G\"obel and Lyndon J. B. Nixon
• Abstract要約: 感覚コンピューティングは、異なる複雑さのよく定義された感情モデルに依存している。 洗練された機械学習アプローチと組み合わされた最もきめ細かい感情モデルでは、組織の戦略的位置決めの目標を完全に把握できないかもしれません。 本稿では、知識グラフで利用可能な共通知識と常識知識と、言語モデルと感情的推論を組み合わせた感情モデルの拡張手法を紹介する。
• 参考スコア（独自算出の注目度）: 3.0012517171007755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sentic computing relies on well-defined affective models of different complexity - polarity to distinguish positive and negative sentiment, for example, or more nuanced models to capture expressions of human emotions. When used to measure communication success, even the most granular affective model combined with sophisticated machine learning approaches may not fully capture an organisation's strategic positioning goals. Such goals often deviate from the assumptions of standardised affective models. While certain emotions such as Joy and Trust typically represent desirable brand associations, specific communication goals formulated by marketing professionals often go beyond such standard dimensions. For instance, the brand manager of a television show may consider fear or sadness to be desired emotions for its audience. This article introduces expansion techniques for affective models, combining common and commonsense knowledge available in knowledge graphs with language models and affective reasoning, improving coverage and consistency as well as supporting domain-specific interpretations of emotions. An extensive evaluation compares the performance of different expansion techniques: (i) a quantitative evaluation based on the revisited Hourglass of Emotions model to assess performance on complex models that cover multiple affective categories, using manually compiled gold standard data, and (ii) a qualitative evaluation of a domain-specific affective model for television programme brands. The results of these evaluations demonstrate that the introduced techniques support a variety of embeddings and pre-trained models. The paper concludes with a discussion on applying this approach to other scenarios where affective model resources are scarce.
• Abstract（参考訳）: 知覚コンピューティングは、ポジティブな感情とネガティブな感情を区別するための極性(Polarity)、人間の感情の表現を捉えるためのよりニュアンスなモデル(nuanced model)など、様々な複雑さの明確に定義された感情モデルに依存している。 コミュニケーションの成功を測定するために使用されると、高度な機械学習アプローチと組み合わせた最もきめ細かい感情モデルでさえ、組織の戦略的なポジショニング目標を完全に捉えることはできません。 このような目標は、しばしば標準化された感情モデルから逸脱する。 喜びや信頼といった特定の感情は、一般的に望ましいブランドの関連を表すが、マーケティング専門家によって定式化された特定のコミュニケーション目標はしばしばそのような標準的な次元を超えている。 例えば、テレビ番組のブランドマネージャーは、恐れや悲しみが観客に望まれる感情であると考えるかもしれません。 本稿では、ナレッジグラフで利用可能な共通知識と共通知識を言語モデルや感情推論と組み合わせ、カバレッジと一貫性を改善し、感情のドメイン固有の解釈をサポートする、感情モデルのための拡張技術を紹介します。 広範な評価は、異なる拡張技術のパフォーマンスを比較します:(i) 再訪された感情の砂時計モデルに基づいて定量的評価し、手動でコンパイルされた金標準データを使用して、複数の感情カテゴリをカバーする複雑なモデルのパフォーマンスを評価し、(ii) テレビ番組ブランドのためのドメイン固有の感情モデルの定性評価。 これらの評価の結果,導入技術は様々な組込みモデルと事前学習モデルをサポートしていることが示された。 論文は、このアプローチをモデルリソースが乏しい他のシナリオに適用することに関する議論で締めくくられている。

関連論文リスト

• Performance evaluation of Reddit Comments using Machine Learning and Natural Language Processing methods in Sentiment Analysis [0.764671395172401]
  我々は、Reddit上で58,000のコメントを寄せ集め、感情分析手法を評価した。 我々の研究は、様々なモデルの配列を評価することによって、範囲を広げる。 以上の結果から,RoBERTaモデルはベースラインモデルよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-27T03:59:28Z)
• ASEM: Enhancing Empathy in Chatbot through Attention-based Sentiment and Emotion Modeling [0.0]
  本稿では,ユーザの発話の感情状態について,専門家の混在,複数エンコーダを用いた新たなソリューションを提案する。 本稿では,オープンドメインチャットボットの感情分析に基づいて感情分析を行うASEMというエンド・ツー・エンドのモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-02-25T20:36:51Z)
• Watch the Speakers: A Hybrid Continuous Attribution Network for Emotion Recognition in Conversation With Emotion Disentanglement [8.17164107060944]
  Emotion Recognition in Conversation (ERC) は自然言語処理分野で広く注目を集めている。 既存のERC手法では、コンテキストのモデリングが不十分なため、様々なシナリオへの一般化が困難である。 本稿では,これらの課題に対処するハイブリッド連続帰属ネットワーク(HCAN)について,感情的継続と感情的帰属の観点から紹介する。
  論文  参考訳（メタデータ） (2023-09-18T14:18:16Z)
• Implicit Design Choices and Their Impact on Emotion Recognition Model Development and Evaluation [5.534160116442057]
  感情の主観性は、正確で堅牢な計算モデルを開発する上で大きな課題を生じさせる。 この論文は、多様なデータセットの収集から始まる感情認識の批判的な側面を調べる。 非表現的トレーニングデータの課題に対処するため、この研究はマルチモーダルストレス感情データセットを収集する。
  論文  参考訳（メタデータ） (2023-09-06T02:45:42Z)
• Foundational Models Defining a New Era in Vision: A Survey and Outlook [151.49434496615427]
  視覚シーンの構成的性質を観察し、推論する視覚システムは、我々の世界を理解するのに不可欠である。 モデルは、このようなモダリティと大規模なトレーニングデータとのギャップを埋めることを学び、コンテキスト推論、一般化、テスト時の迅速な機能を容易にした。 このようなモデルの出力は、例えば、バウンディングボックスを設けて特定のオブジェクトをセグメント化したり、画像や映像シーンについて質問したり、言語命令でロボットの動作を操作することで対話的な対話を行うなど、リトレーニングすることなく、人為的なプロンプトによって変更することができる。
  論文  参考訳（メタデータ） (2023-07-25T17:59:18Z)
• Improving the Generalizability of Text-Based Emotion Detection by Leveraging Transformers with Psycholinguistic Features [27.799032561722893]
  本稿では,両方向長短期記憶(BiLSTM)ネットワークと変換器モデル(BERT,RoBERTa)を併用したテキストベースの感情検出手法を提案する。 提案したハイブリッドモデルでは,標準的なトランスフォーマーベースアプローチと比較して,分布外データへの一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2022-12-19T13:58:48Z)
• Are Neural Topic Models Broken? [81.15470302729638]
  トピックモデルの自動評価と人的評価の関係について検討する。 ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
  論文  参考訳（メタデータ） (2022-10-28T14:38:50Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Affective Image Content Analysis: Two Decades Review and New Perspectives [132.889649256384]
  我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。 我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。 画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-06-30T15:20:56Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• Modality-Transferable Emotion Embeddings for Low-Resource Multimodal Emotion Recognition [55.44502358463217]
  本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。 我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。 私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-21T06:10:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。