論文の概要: Emoji-based Fine-grained Attention Network for Sentiment Analysis in the Microblog Comments

• arxiv url: http://arxiv.org/abs/2206.12262v1
• Date: Fri, 10 Jun 2022 04:24:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 04:22:33.285607
• Title: Emoji-based Fine-grained Attention Network for Sentiment Analysis in the Microblog Comments
• Title（参考訳）: マイクロブログコメントにおける感情分析のための絵文字に基づく微細注意ネットワーク
• Authors: Deng Yang, Liu Kejian, Yang Cheng, Feng Yuanyuan, Li Weihao
• Abstract要約: 本稿では,ALBERT-FAETに基づくマイクロブログ感情分類モデルを提案する。 ALBERT事前学習モデルを用いてテキスト埋め込みを取得し,注意に基づくLSTMネットワークを用いた絵文字間埋め込みを学習する。 モデルの有効性を検証するため,比較実験とアブレーション実験を行った。
• 参考スコア（独自算出の注目度）: 2.6021536375250696
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Microblogs have become a social platform for people to express their emotions in real-time, and it is a trend to analyze user emotional tendencies from the information on Microblogs. The dynamic features of emojis can affect the sentiment polarity of microblog texts. Since existing models seldom consider the diversity of emoji sentiment polarity,the paper propose a microblog sentiment classification model based on ALBERT-FAET. We obtain text embedding via ALBERT pretraining model and learn the inter-emoji embedding with an attention-based LSTM network. In addition, a fine-grained attention mechanism is proposed to capture the word-level interactions between plain text and emoji. Finally, we concatenate these features and feed them into a CNN classifier to predict the sentiment labels of the microblogs. To verify the effectiveness of the model and the fine-grained attention network, we conduct comparison experiments and ablation experiments. The comparison experiments show that the model outperforms previous methods in three evaluation indicators (accuracy, precision, and recall) and the model can significantly improve sentiment classification. The ablation experiments show that compared with ALBERT-AET, the proposed model ALBERT-FAET is better in the metrics, indicating that the fine-grained attention network can understand the diversified information of emoticons.
• Abstract（参考訳）: マイクロブログは、人々が感情をリアルタイムに表現するためのソーシャルプラットフォームとなり、マイクロブログの情報からユーザの感情傾向を分析する傾向にあります。 絵文字の動的な特徴は、マイクロブログテキストの感情極性に影響を与える可能性がある。 既存のモデルは絵文字感情極性の多様性をほとんど考慮しないため,ALBERT-FAETに基づくマイクロブログ感情分類モデルを提案する。 ALBERT事前学習モデルを用いてテキスト埋め込みを取得し,注意に基づくLSTMネットワークを用いた絵文字間埋め込みを学習する。 さらに、平文と絵文字間の単語レベルの相互作用を捉えるために、きめ細かい注意機構を提案する。 最後に,これらの特徴を結合してCNN分類器に入力し,マイクロブロッグの感情ラベルを予測する。 モデルと細粒度注意ネットワークの有効性を検証するため,比較実験とアブレーション実験を行った。 比較実験により,3つの評価指標(正確性,正確性,リコール)において,モデルが従来の手法を上回っており,モデルが感情分類を著しく改善できることが示された。 アブレーション実験では,ALBERT-AETと比較して,提案モデルALBERT-FAETの方が指標として優れており,細粒度アテンションネットワークはエモティコンの多様な情報を理解することができることを示した。

関連論文リスト

• Emotion Detection in Reddit: Comparative Study of Machine Learning and Deep Learning Techniques [0.0]
  本研究は,GoEmotionsデータセットを利用したテキストによる感情検出に焦点を当てた。 このタスクには、6つの機械学習モデル、3つのアンサンブルモデル、Long Short-Term Memory(LSTM)モデルなど、さまざまなモデルを使用しました。 結果は、Stacking分類器が他のモデルよりも精度と性能が優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-15T16:28:25Z)
• MM-TTS: A Unified Framework for Multimodal, Prompt-Induced Emotional Text-to-Speech Synthesis [70.06396781553191]
  MM-TTS(Multimodal Emotional Text-to-Speech System)は、複数のモーダルからの感情的手がかりを利用して、高表現的で感情的に共鳴する音声を生成する統合フレームワークである。 Emotion Prompt Alignment Module (EP-Align),Emotion Embedding-induced TTS (EMI-TTS),Emotion Embedding-induced TTS (Emotion Embedding-induced TTS) の2つの主要なコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2024-04-29T03:19:39Z)
• 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)
• LEIA: Linguistic Embeddings for the Identification of Affect [0.23848027137382474]
  我々は、600万以上の投稿のデータセットでトレーニングされたテキスト中の感情識別モデルであるLEIAを提示する。 LEIAは、モデル事前学習中の感情語の学習を強化する単語マスキング法に基づいている。 以上の結果から, LEIAは, 訓練対象領域を超えて, 怒り, 幸福, 悲しみの分類を一般化していることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-21T14:17:10Z)
• VISTANet: VIsual Spoken Textual Additive Net for Interpretable Multimodal Emotion Recognition [21.247650660908484]
  本稿では、VISTANet(Visual Textual Additive Net)というマルチモーダル感情認識システムを提案する。 VISTANetは、早期と後期の融合のハイブリッドを用いて、画像、音声、テキストのモダリティから情報を融合する。 KAAP技術は、特定の感情のクラスを予測するために、各モダリティとそれに対応する特徴の寄与を計算する。
  論文  参考訳（メタデータ） (2022-08-24T11:35:51Z)
• 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)
• Chat-Capsule: A Hierarchical Capsule for Dialog-level Emotion Analysis [70.98130990040228]
  本稿では,発話レベルと対話レベルの両方の感情とその相互関係をモデル化したコンテキストベースの階層的注意カプセル(Chat-Capsule)モデルを提案する。 Eコマースプラットフォームの顧客サポートから収集したダイアログデータセットでは,ユーザの満足度や感情曲線のカテゴリも予測できる。
  論文  参考訳（メタデータ） (2022-03-23T08:04:30Z)
• TSAM: A Two-Stream Attention Model for Causal Emotion Entailment [50.07800752967995]
  CEE(Causal Emotion Entailment)は、会話の発話において感情の背後にある潜在的な原因を発見することを目的としている。 我々は,グローバルビューにおける発話間の相関を捉えるために,複数の発話を同期的に分類する。 対話履歴における話者の感情的影響を効果的にモデル化する2ストリーム注意モデル(TSAM)を提案する。
  論文  参考訳（メタデータ） (2022-03-02T02:11:41Z)
• Emoji-aware Co-attention Network with EmoGraph2vec Model for Sentiment Anaylsis [9.447106020795292]
  我々はEmoGraph2vecと呼ばれる絵文字表現を学習し、絵文字対応のコアテンションネットワークを設計する手法を提案する。 我々のモデルは、テキストと絵文字を組み込むコアテンション機構を設計し、圧縮と励起ブロックを畳み込みニューラルネットワークに統合する。 実験結果から,提案モデルは,ベンチマークデータセットの感情分析において,いくつかのベースラインを上回り得ることが示された。
  論文  参考訳（メタデータ） (2021-10-27T08:01:10Z)
• Emoji-based Co-attention Network for Microblog Sentiment Analysis [10.135289472491655]
  マイクロブログ上でのテキストと絵文字間の相互感情的意味を学習する絵文字に基づくコアテンションネットワークを提案する。 本モデルは、テキストと絵文字を組み込んだ双方向の長期記憶に基づくコアテンション機構を採用し、畳み込みニューラルネットワークにシャープ・アンド・エキサイティングブロックを統合し、感情的な意味的特徴に対する感度を高める。
  論文  参考訳（メタデータ） (2021-10-27T07:23:18Z)
• EMOVIE: A Mandarin Emotion Speech Dataset with a Simple Emotional Text-to-Speech Model [56.75775793011719]
  音声ファイルを含む9,724のサンプルとその感情ラベル付きアノテーションを含むマンダリン感情音声データセットを導入,公開する。 入力として追加の参照音声を必要とするこれらのモデルとは異なり、我々のモデルは入力テキストから直接感情ラベルを予測し、感情埋め込みに基づいてより表現力のある音声を生成することができる。 実験段階では、まず感情分類タスクによってデータセットの有効性を検証し、次に提案したデータセットに基づいてモデルをトレーニングし、一連の主観評価を行う。
  論文  参考訳（メタデータ） (2021-06-17T08:34:21Z)

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。