論文の概要: Optimize_Prime@DravidianLangTech-ACL2022: Emotion Analysis in Tamil
- arxiv url: http://arxiv.org/abs/2204.09087v1
- Date: Tue, 19 Apr 2022 18:47:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 14:17:26.326842
- Title: Optimize_Prime@DravidianLangTech-ACL2022: Emotion Analysis in Tamil
- Title(参考訳): Optimize_Prime@DravidianLangTech-ACL2022: タミルにおける感情分析
- Authors: Omkar Gokhale, Shantanu Patankar, Onkar Litake, Aditya Mandke, Dipali
Kadam
- Abstract要約: 本稿では,タミル語におけるソーシャルメディアコメントの感情分析を行うことを目的とする。
このタスクは、ソーシャルメディアのコメントを、Joy、Anger、Trust、Disgustなどの感情のカテゴリに分類することを目的としている。
- 参考スコア(独自算出の注目度): 1.0066310107046081
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper aims to perform an emotion analysis of social media comments in
Tamil. Emotion analysis is the process of identifying the emotional context of
the text. In this paper, we present the findings obtained by Team
Optimize_Prime in the ACL 2022 shared task "Emotion Analysis in Tamil." The
task aimed to classify social media comments into categories of emotion like
Joy, Anger, Trust, Disgust, etc. The task was further divided into two
subtasks, one with 11 broad categories of emotions and the other with 31
specific categories of emotion. We implemented three different approaches to
tackle this problem: transformer-based models, Recurrent Neural Networks
(RNNs), and Ensemble models. XLM-RoBERTa performed the best on the first task
with a macro-averaged f1 score of 0.27, while MuRIL provided the best results
on the second task with a macro-averaged f1 score of 0.13.
- Abstract(参考訳): 本稿では,タミルにおけるソーシャルメディアコメントの感情分析を行う。
感情分析は、テキストの感情的文脈を特定するプロセスである。
本稿では,ACL 2022共有タスク"Emotion Analysis in Tamil"において,Team Optimize_Primeで得られた結果について述べる。
このタスクはソーシャルメディアのコメントを、Joy、Anger、Trust、Disgustなどの感情カテゴリーに分類することを目的としている。
タスクはさらに、11の広範な感情カテゴリと31の特定の感情カテゴリの2つのサブタスクに分割された。
我々は,この問題を解決するために,トランスフォーマーベースモデル,リカレントニューラルネットワーク(RNN),エンサンブルモデルという3つのアプローチを実装した。
xlm-roberta は、マクロ平均 f1 スコア 0.27 で、muril は、マクロ平均 f1 スコア 0.13 で、第2 タスクの最高の結果を提供した。
関連論文リスト
- SemEval 2024 -- Task 10: Emotion Discovery and Reasoning its Flip in
Conversation (EDiReF) [61.49972925493912]
SemEval-2024 Task 10は、コードミキシングされた対話における感情の識別に焦点を当てた共有タスクである。
このタスクは3つの異なるサブタスクから構成される - コードミックス対話のための会話における感情認識、コードミックス対話のための感情フリップ推論、および英語対話のための感情フリップ推論である。
このタスクには84人の参加者が参加し、各サブタスクのF1スコアは0.70、0.79、0.76に達した。
論文 参考訳(メタデータ) (2024-02-29T08:20:06Z) - 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) - Overview of Memotion 3: Sentiment and Emotion Analysis of Codemixed
Hinglish Memes [36.34201719103715]
本稿では,AAAI-23のDeFactify 2ワークショップの一環として,Memotion 3共有タスクの概要を紹介する。
タスクA(Task A)、感情B(Task B)、感情強度(Task C)に基づくヒンディー語コード混合ミームの注釈付きデータセットをリリースした。
50以上のチームが共有タスクに登録され、5チームがMemotion 3データセットのテストセットに最終提出を行った。
論文 参考訳(メタデータ) (2023-09-12T18:47:29Z) - Why Do You Feel This Way? Summarizing Triggers of Emotions in Social
Media Posts [61.723046082145416]
CovidET (Emotions and their Triggers during Covid-19)は、COVID-19に関連する英国のReddit投稿1,900件のデータセットである。
我々は、感情を共同で検出し、感情のトリガーを要約する強力なベースラインを開発する。
分析の結果,コビデットは感情特異的要約における新たな課題と,長文のソーシャルメディア投稿におけるマルチ感情検出の課題が示唆された。
論文 参考訳(メタデータ) (2022-10-22T19:10:26Z) - 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) - Leveraging Emotion-specific Features to Improve Transformer Performance
for Emotion Classification [0.0]
本稿では,チームPVGs AI ClubによるWASSA 2022における感情分類共有タスクへのアプローチについて述べる。
このトラック2のサブタスクは、ニュース記事のエッセイに基づいてマルチクラスの感情ラベルを予測できるモデルの構築に焦点を当てている。
論文 参考訳(メタデータ) (2022-04-30T14:36:04Z) - Optimize_Prime@DravidianLangTech-ACL2022: Abusive Comment Detection in
Tamil [1.0066310107046081]
本稿では,低リソースのインデックス言語における乱用コメント検出の問題に対処する。
このタスクは、タミル語とタミル英語のCodemixedフォーマットでYouTubeのコメントを検出して分類する。
論文 参考訳(メタデータ) (2022-04-19T18:55:18Z) - 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) - DSC IIT-ISM at SemEval-2020 Task 8: Bi-Fusion Techniques for Deep Meme
Emotion Analysis [5.259920715958942]
本稿では,SemEval 2020における感情分析共有タスクについて述べる。
本稿では,感情とユーモアの分類タスクに対するモーダル間の依存性を平均化するバイモーダル融合技術を用いたシステムを提案する。
論文 参考訳(メタデータ) (2020-07-28T17:23:35Z) - IITK at SemEval-2020 Task 8: Unimodal and Bimodal Sentiment Analysis of
Internet Memes [2.2385755093672044]
本稿では,SemEval-2020 Task 8における感情分析問題に対するアプローチを提案する。
このタスクの目的は、感情の内容と感情に基づいてミームを分類することである。
この結果から,Word2vecを入力として組み込んだ単純なフィードフォワードニューラルネットワーク(FFNN)は,他のすべてよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-07-21T14:06:26Z) - EmotiCon: Context-Aware Multimodal Emotion Recognition using Frege's
Principle [71.47160118286226]
EmotiConは、ビデオや画像から知覚された人間の感情認識をコンテキスト認識する学習アルゴリズムである。
心理学からフレーゲの文脈原理に動機づけられた我々のアプローチは、感情認識のための文脈の3つの解釈を組み合わせたものである。
平均精度 (AP) スコアは26クラスで35.48であり, 従来の手法よりも7-8の改善が見られた。
論文 参考訳(メタデータ) (2020-03-14T19:55:21Z)
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。