論文の概要: Basic and Depression Specific Emotion Identification in Tweets: Multi-label Classification Experiments

• arxiv url: http://arxiv.org/abs/2105.12364v1
• Date: Wed, 26 May 2021 07:13:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 23:22:26.898912
• Title: Basic and Depression Specific Emotion Identification in Tweets: Multi-label Classification Experiments
• Title（参考訳）: つぶやきにおける基本的・抑うつ的感情識別:マルチラベル分類実験
• Authors: Nawshad Farruque, Chenyang Huang, Osmar Zaiane, Randy Goebel
• Abstract要約: ツイートにおける基本的・抑うつ的マルチ感情マイニングに関する実証分析を行った。 我々は、感情の4つの高度に評価された心理モデルから、共通の感情からなるハイブリッド感情モデルから、基本的な感情を選択する。 我々は、うつ病の分析においてその重要性から、新たな感情カテゴリーによる感情モデルを強化した。
• 参考スコア（独自算出の注目度）: 1.7699344561127386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present empirical analysis on basic and depression specific multi-emotion mining in Tweets with the help of state of the art multi-label classifiers. We choose our basic emotions from a hybrid emotion model consisting of the common emotions from four highly regarded psychological models of emotions. Moreover, we augment that emotion model with new emotion categories because of their importance in the analysis of depression. Most of those additional emotions have not been used in previous emotion mining research. Our experimental analyses show that a cost sensitive RankSVM algorithm and a Deep Learning model are both robust, measured by both Macro F-measures and Micro F-measures. This suggests that these algorithms are superior in addressing the widely known data imbalance problem in multi-label learning. Moreover, our application of Deep Learning performs the best, giving it an edge in modeling deep semantic features of our extended emotional categories.
• Abstract（参考訳）: 本稿では,工芸品の多ラベル分類の助けを借りて,基本的および抑うつ的マルチ感情マイニングに関する実証分析を行った。 4つの感情の心理学的モデルから共通の感情からなるハイブリッド感情モデルから基本的な感情を選択する。 さらに,抑うつ分析における感情モデルの重要性から,感情モデルに新たな感情カテゴリーを加える。 これらの追加感情のほとんどは、これまでの感情マイニング研究では使われていない。 実験により,コストセンシティブなRandSVMアルゴリズムとディープラーニングモデルの両方が,マクロF測度とマイクロF測度の両方で頑健であることが示された。 これは、これらのアルゴリズムがマルチラベル学習において広く知られているデータ不均衡問題に対処する上で優れていることを示唆している。 さらに、深層学習の応用が最善を尽くし、拡張された感情カテゴリの深い意味的特徴のモデリングに最先端を与えました。

関連論文リスト

• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• TONE: A 3-Tiered ONtology for Emotion analysis [9.227164881235947]
  感情は心理学、医学、メンタルヘルス、コンピュータサイエンスなど、多くの分野で重要な役割を果たしてきた。 1) 教師付き手法の効率は収集したデータのサイズと領域に強く依存する。 我々は、Gerrod Parrot博士の感情群に基づく感情階層を効果的に生成する感情ベースのオントロジーを作成する。
  論文  参考訳（メタデータ） (2024-01-11T04:23:08Z)
• Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
  人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。 EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。 分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
  論文  参考訳（メタデータ） (2023-11-16T06:20:13Z)
• Multi-view Multi-label Fine-grained Emotion Decoding from Human Brain Activity [9.446422699647625]
  人間の脳活動からの感情状態の復号は、脳とコンピュータのインターフェースにおいて重要な役割を果たす。 既存の感情復号法には2つの大きな制限がある。 感情の微粒化のための多視点マルチラベルハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-26T05:56:54Z)
• Uncovering the Limits of Text-based Emotion Detection [0.0]
  感情分類のための最大のコーパスは、GoEmotions、読者によってラベル付けされた58Kメッセージ、Vent、ライターがラベル付けされた33Mメッセージである。 我々はベンチマークを設計し、BERT上に2つのシンプルな新しいモデルを含むいくつかの特徴空間と学習アルゴリズムを評価する。
  論文  参考訳（メタデータ） (2021-09-04T16:40:06Z)
• Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
  マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。 まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。 次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。 最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-08-18T21:55:20Z)
• 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)
• 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)
• Emo-CNN for Perceiving Stress from Audio Signals: A Brain Chemistry Approach [2.4087148947930634]
  音声信号から人間のストレスをモデル化する手法を提案する。 Emo-CNNは、人気の高い既存のメソッドよりも一貫して、大幅に優れています。 ロブハイムの立方体は、これらの神経伝達物質と3次元空間における感情の位置との関係を説明することを目的としている。
  論文  参考訳（メタデータ） (2020-01-08T01:01:48Z)

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。