論文の概要: Emotion Recognition under Consideration of the Emotion Component Process Model

• arxiv url: http://arxiv.org/abs/2107.12895v1
• Date: Tue, 27 Jul 2021 15:53:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 15:14:07.500007
• Title: Emotion Recognition under Consideration of the Emotion Component Process Model
• Title（参考訳）: 感情成分過程モデルを考慮した感情認識
• Authors: Felix Casel and Amelie Heindl and Roman Klinger
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.595357496779394
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Emotion classification in text is typically performed with neural network models which learn to associate linguistic units with emotions. While this often leads to good predictive performance, it does only help to a limited degree to understand how emotions are communicated in various domains. The emotion component process model (CPM) by Scherer (2005) is an interesting approach to explain emotion communication. It states that emotions are a coordinated process of various subcomponents, in reaction to an event, namely the subjective feeling, the cognitive appraisal, the expression, a physiological bodily reaction, and a motivational action tendency. We hypothesize that these components are associated with linguistic realizations: an emotion can be expressed by describing a physiological bodily reaction ("he was trembling"), or the expression ("she smiled"), etc. We annotate existing literature and Twitter emotion corpora with emotion component classes and find that emotions on Twitter are predominantly expressed by event descriptions or subjective reports of the feeling, while in literature, authors prefer to describe what characters do, and leave the interpretation to the reader. We further include the CPM in a multitask learning model and find that this supports the emotion categorization. The annotated corpora are available at https://www.ims.uni-stuttgart.de/data/emotion.
• Abstract（参考訳）: テキストにおける感情分類は通常、言語単位と感情を関連付けることを学ぶニューラルネットワークモデルで実行される。 これはしばしば優れた予測性能をもたらすが、様々なドメインでどのように感情が伝達されるかを理解するのに限られた程度しか役に立たない。 Scherer (2005)による感情成分プロセスモデル(CPM)は、感情コミュニケーションを説明する興味深いアプローチである。 感情は、主観的感情、認知的評価、表現、生理的身体反応、動機づけ的行動傾向といった出来事に対する反応として、様々なサブコンポーネントの協調過程である。 感情は生理的身体反応("He was trembling")や表情("She smiled")などを記述することで表現することができる。 既存の文献やTwitterの感情コーパスに感情成分のクラスを付与し、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るのに対して、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、読者に解釈を委ねることを好む。 さらに、CPMをマルチタスク学習モデルに含め、これが感情分類をサポートすることに気付きました。 注釈付きコーパスはhttps://www.ims.uni-stuttgart.de/data/emotion.comで入手できる。

関連論文リスト

• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Where are We in Event-centric Emotion Analysis? Bridging Emotion Role Labeling and Appraisal-based Approaches [10.736626320566707]
  テキストにおける感情分析という用語は、様々な自然言語処理タスクを仮定する。 感情と出来事は2つの方法で関連していると我々は主張する。 我々は,NLPモデルに心理的評価理論を組み込んで事象を解釈する方法について議論する。
  論文  参考訳（メタデータ） (2023-09-05T09:56:29Z)
• Emotion Recognition based on Psychological Components in Guided Narratives for Emotion Regulation [0.0]
  本稿では,感情制御のためのアンケートを用いて収集した感情的感情の新たなコーパスを紹介する。 本研究では,コンポーネントの相互作用とその感情分類への影響について,機械学習手法と事前学習言語モデルを用いて検討する。
  論文  参考訳（メタデータ） (2023-05-15T12:06:31Z)
• 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)
• Speech Synthesis with Mixed Emotions [77.05097999561298]
  異なる感情の音声サンプル間の相対的な差を測定する新しい定式化を提案する。 次に、私たちの定式化を、シーケンスからシーケンスまでの感情的なテキストから音声へのフレームワークに組み込む。 実行時に、感情属性ベクトルを手動で定義し、所望の感情混合を生成するためにモデルを制御する。
  論文  参考訳（メタデータ） (2022-08-11T15:45:58Z)
• x-enVENT: A Corpus of Event Descriptions with Experiencer-specific Emotion and Appraisal Annotations [13.324006587838523]
  感情分析のための分類設定は、感情のエピソードに関与する異なる意味的役割を含む統合的な方法で行うべきであると論じる。 心理学における評価理論に基づいて、我々は、記述された出来事記述の英文コーパスを編纂する。 この記述には感情に満ちた状況が描かれており、感情に反応した人々の言及が含まれている。
  論文  参考訳（メタデータ） (2022-03-21T12:02:06Z)
• 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)
• 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)

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。