Fugu-MT 論文翻訳(概要): Guilt by Association: Emotion Intensities in Lexical Representations

論文の概要: Guilt by Association: Emotion Intensities in Lexical Representations

arxiv url: http://arxiv.org/abs/2104.08679v1
Date: Sun, 18 Apr 2021 02:03:52 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 14:11:08.838156
Title: Guilt by Association: Emotion Intensities in Lexical Representations
Title（参考訳）: 協会によるガイダンス:語彙表現における感情強度
Authors: Shahab Raji, Gerard de Melo
Abstract要約: 本研究では,特定の感情に対する単語レベルの感情インテンシティスコアを推定し,教師なし,教師なし,最終的に単語ベクトル表現から感情関連を抽出する自己教師あり手法を検討する。単語ベクトルは感情の微粒化を誘発する有意な可能性を秘めており、現状の感情レキシコンよりも人間の地上の真理評価との相関がはるかに高いことが判明した。
参考スコア（独自算出の注目度）: 35.416923187323945
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: What do word vector representations reveal about the emotions associated with words? In this study, we consider the task of estimating word-level emotion intensity scores for specific emotions, exploring unsupervised, supervised, and finally a self-supervised method of extracting emotional associations from word vector representations. Overall, we find that word vectors carry substantial potential for inducing fine-grained emotion intensity scores, showing a far higher correlation with human ground truth ratings than achieved by state-of-the-art emotion lexicons.
Abstract（参考訳）: 単語ベクトル表現は、単語に関連する感情について何を明らかにするか? 本研究では,特定の感情に対する単語レベルの感情インテンシティスコアを推定し,教師なし,教師なし,最終的に単語ベクトル表現から感情関連を抽出する自己教師あり手法を検討する。全体として, 単語ベクトルは, 感情の微粒化を誘発する大きな可能性を秘めており, 現状の感情レキシコンよりも, 人間の地上の真実評価との相関がはるかに高いことが判明した。

関連論文リスト

Exploiting Emotion-Semantic Correlations for Empathetic Response Generation [18.284296904390143]
共感応答生成は、対話言語から話者の感情的感情を理解することによって共感応答を生成することを目的としている。近年の手法では、コミュニケーション者の言語における感情的な言葉を捉え、それらを静的なベクトルとして構築し、ニュアンス化された感情を知覚する。本研究では,感情・感情相関モデル(ESCM)を提案する。
論文参考訳（メタデータ） (2024-02-27T11:50:05Z)
Experiencer-Specific Emotion and Appraisal Prediction [13.324006587838523]
NLPにおける感情分類は、文章や段落などの感情をテキストに割り当てる。イベントの経験に焦点を合わせ、各イベントに感情(もしあれば)を割り当てます。経験者の感情と評価のモデルが経験者に依存しないベースラインより優れています。
論文参考訳（メタデータ） (2022-10-21T16:04:27Z)
CEFER: A Four Facets Framework based on Context and Emotion embedded features for Implicit and Explicit Emotion Recognition [2.5137859989323537]
文レベルと単語レベルの両方でテキストを解析するフレームワークを提案する。 CEFER (Context and Emotion embedded Framework for Emotion Recognition) と呼ぶ。 CEFERは、暗黙の感情を含む各単語の感情ベクトルと、文脈に基づく各単語の特徴ベクトルを結合する。
論文参考訳（メタデータ） (2022-09-28T11:16:32Z)
Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on Data-Driven Deep Learning [70.30713251031052]
本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
論文参考訳（メタデータ） (2022-06-15T01:25:32Z)
Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。本稿では,感情の強さを明示的に表現し,制御することを目的とする。本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
論文参考訳（メタデータ） (2022-01-10T02:11:25Z)
Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes [50.569762345799354]
i) 相手の感情が発話から引き起こされる原因となる単語を特定することと, (ii) 応答生成における特定の単語を反映することである。社会的認知からインスピレーションを得て、生成的推定を用いて、感情が単語レベルのラベルのない発話から単語を推論する。
論文参考訳（メタデータ） (2021-09-18T04:22:49Z)
Emotion Recognition under Consideration of the Emotion Component Process Model [9.595357496779394]
我々はScherer (2005) による感情成分プロセスモデル (CPM) を用いて感情コミュニケーションを説明する。 CPMは、感情は、出来事、すなわち主観的感情、認知的評価、表現、生理的身体反応、動機的行動傾向に対する様々なサブコンポーネントの協調過程であると述べている。 Twitter上での感情は、主に出来事の説明や主観的な感情の報告によって表現されているのに対し、文献では、著者はキャラクターが何をしているかを記述し、解釈を読者に任せることを好む。
論文参考訳（メタデータ） (2021-07-27T15:53:25Z)
A Circular-Structured Representation for Visual Emotion Distribution Learning [82.89776298753661]
視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。具体的には、まず感情圏を構築し、その内にある感情状態を統一する。提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
論文参考訳（メタデータ） (2021-06-23T14:53:27Z)
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)

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。