Fugu-MT 論文翻訳(概要): Happy Dance, Slow Clap: Using Reaction GIFs to Predict Induced Affect on Twitter

論文の概要: Happy Dance, Slow Clap: Using Reaction GIFs to Predict Induced Affect on Twitter

arxiv url: http://arxiv.org/abs/2105.09967v1
Date: Thu, 20 May 2021 18:01:05 GMT
ステータス: 処理完了
システム内更新日: 2021-05-25 03:37:59.675160
Title: Happy Dance, Slow Clap: Using Reaction GIFs to Predict Induced Affect on Twitter
Title（参考訳）: ハッピーダンス、スロークラップ:リアクションGIFを使ってTwitterへの影響を予測する
Authors: Boaz Shmueli, Soumya Ray, Lun-Wei Ku
Abstract要約: そこで本研究では,テキストとリアクションラベルを自動で収集する手法を提案する。我々は、感情の誘発と感情のラベルによるデータ強化の方法を示す。我々はこの手法を用いて、30万ツイートの感情的データセットであるReactionGIFを作成し、公開する。
参考スコア（独自算出の注目度）: 8.034293322106627
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Datasets with induced emotion labels are scarce but of utmost importance for many NLP tasks. We present a new, automated method for collecting texts along with their induced reaction labels. The method exploits the online use of reaction GIFs, which capture complex affective states. We show how to augment the data with induced emotion and induced sentiment labels. We use our method to create and publish ReactionGIF, a first-of-its-kind affective dataset of 30K tweets. We provide baselines for three new tasks, including induced sentiment prediction and multilabel classification of induced emotions. Our method and dataset open new research opportunities in emotion detection and affective computing.
Abstract（参考訳）: 誘発された感情ラベルを持つデータセットは少ないが、多くのNLPタスクにおいて最も重要である。本稿では,テキストと反応ラベルを併用した新しい自動抽出手法を提案する。この方法は、複雑な情緒状態をキャプチャするリアクションGIFのオンライン利用を利用する。我々は、感情の誘発と感情のラベルによるデータ強化方法を示す。我々は,30万ツイートの感情的データセットであるReactionGIFを作成し,公開する。感情予測と感情のマルチラベル分類を含む3つの新しいタスクのベースラインを提供する。提案手法とデータセットは,感情検出と感情コンピューティングにおける新たな研究機会を開く。

関連論文リスト

Enhancing Emotion Prediction in News Headlines: Insights from ChatGPT and Seq2Seq Models for Free-Text Generation [19.520889098893395]
我々は、ニュース見出しを読んでからどのように感じるかについて、自由テキストで書かれた人々の感情の説明を使う。感情分類では、自由文の説明は見出しによって引き起こされる支配的な感情と強く相関する。マクネマールの重要度テストを用いて、GPT生成自由テキストの説明を取り入れた手法は大幅に改善された。
論文参考訳（メタデータ） (2024-07-14T06:04:11Z)
Leveraging Label Information for Multimodal Emotion Recognition [22.318092635089464]
マルチモーダル感情認識(MER)は、音声とテキスト情報を組み合わせることで、与えられた表現の感情状態を検出することを目的としている。ラベル情報を利用した新しいMER手法を提案する。我々は,ラベルを意識したテキストと音声表現を融合して感情分類を行うための新しいラベル誘導注意融合モジュールを考案した。
論文参考訳（メタデータ） (2023-09-05T10:26:32Z)
VISU at WASSA 2023 Shared Task: Detecting Emotions in Reaction to News Stories Leveraging BERT and Stacked Embeddings [3.797177597247675]
我々のシステムVISUは、ニュース記事に反応して書かれたエッセイから感情分類の共有タスク (3) に参加した。本研究は,単語埋め込み表現と事前設定戦略を組み合わせた深層学習(DL)モデルの開発に重点を置いている。
論文参考訳（メタデータ） (2023-07-27T19:42:22Z)
Unsupervised Extractive Summarization of Emotion Triggers [56.50078267340738]
我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
論文参考訳（メタデータ） (2023-06-02T11:07:13Z)
MAFW: A Large-scale, Multi-modal, Compound Affective Database for Dynamic Facial Expression Recognition in the Wild [56.61912265155151]
大規模複合感情データベースMAFWを提案する。各クリップには、複雑な感情カテゴリーと、クリップ内の被験者の感情行動を記述する2つの文が注釈付けされている。複合感情のアノテーションでは、それぞれのクリップは、怒り、嫌悪感、恐怖、幸福、中立、悲しみ、驚き、軽蔑、不安、無力感、失望など、広く使われている11の感情のうちの1つ以上に分類される。
論文参考訳（メタデータ） (2022-08-01T13:34:33Z)
Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
論文参考訳（メタデータ） (2022-07-25T02:20:03Z)
The Emotion is Not One-hot Encoding: Learning with Grayscale Label for Emotion Recognition in Conversation [0.0]
会話における感情認識(ERC)では、過去の文脈を考慮し、現在の発話の感情を予測する。グレースケールラベルを構築するためのいくつかの手法を導入し、各手法が感情認識性能を向上させることを確認する。
論文参考訳（メタデータ） (2022-06-15T08:14:42Z)
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)
Learning Unseen Emotions from Gestures via Semantically-Conditioned Zero-Shot Perception with Adversarial Autoencoders [25.774235606472875]
本稿では,3次元モーションキャプチャー・ジェスチャ・シーケンスと自然言語知覚感情項のベクトル化表現とを関連付ける,対角的自己エンコーダに基づく表現学習を提案する。我々は、既知の感情用語に注釈付けされたジェスチャーと、どんな感情にも注釈付けされていないジェスチャーを組み合わせることで、手法を訓練する。
論文参考訳（メタデータ） (2020-09-18T15:59:44Z)
EmoGraph: Capturing Emotion Correlations using Graph Networks [71.53159402053392]
グラフネットワークを通じて異なる感情間の依存関係をキャプチャするEmoGraphを提案する。 EmoGraphは特にマクロF1において、強いベースラインを上回ります。キャプチャーされた感情相関は、シングルラベルの分類作業にも有用であることを示す実験である。
論文参考訳（メタデータ） (2020-08-21T08:59:29Z)
Take an Emotion Walk: Perceiving Emotions from Gaits Using Hierarchical Attention Pooling and Affective Mapping [55.72376663488104]
本稿では、ビデオやモーションキャプチャーデータから得られた歩行スタイルから、知覚された人間の感情を分類するためのオートエンコーダに基づくアプローチを提案する。 3次元ポーズシーケンスから抽出した各ステップのポーズにおける各関節の動きを考慮し、これらの関節の動きをエンコーダに階層的にプールする。我々はデコーダを訓練し、潜伏埋め込みからトップダウン方式で1ステップ当たりの関節の動きを再構築する。
論文参考訳（メタデータ） (2019-11-20T05:04:16Z)

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。