論文の概要: Deep Emotion Recognition in Textual Conversations: A Survey
- arxiv url: http://arxiv.org/abs/2211.09172v1
- Date: Wed, 16 Nov 2022 19:42:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 15:17:22.093698
- Title: Deep Emotion Recognition in Textual Conversations: A Survey
- Title(参考訳): テキスト会話における深部感情認識 : 調査
- Authors: Patr\'icia Pereira, Helena Moniz and Joao Paulo Carvalho
- Abstract要約: 新しいアプリケーションと実装シナリオは、新しい課題と機会を示します。
これらは会話の文脈、話者と感情のダイナミクスのモデリング、一般的な感覚表現の解釈など多岐にわたる。
- 参考スコア(独自算出の注目度): 2.0372018623826302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Emotion Recognition in Conversations (ERC) has seen a tremendous
advancement in the last few years, new applications and implementation
scenarios present novel challenges and opportunities. These range from
leveraging the conversational context, speaker and emotion dynamics modelling,
to interpreting common sense expressions, informal language and sarcasm,
addressing challenges of real time ERC and recognizing emotion causes. This
survey starts by introducing ERC, elaborating on the challenges and
opportunities pertaining to this task. It proceeds with a description of the
main emotion taxonomies and methods to deal with subjectivity in annotations.
It then describes Deep Learning methods relevant for ERC, word embeddings, and
elaborates on the use of performance metrics for the task and methods to deal
with the typically unbalanced ERC datasets. This is followed by a description
and benchmark of key ERC works along with comprehensive tables comparing
several works regarding their methods and performance across different
datasets. The survey highlights the advantage of leveraging techniques to
address unbalanced data, the exploration of mixed emotions and the benefits of
incorporating annotation subjectivity in the learning phase.
- Abstract(参考訳): 会話における感情認識(erc)はここ数年で飛躍的な進歩を遂げてきたが、新しいアプリケーションや実装シナリオは新たな挑戦と機会をもたらしている。
会話的コンテキスト、話者および感情のダイナミクスモデリングの活用から、常識表現、非公式言語および皮肉の解釈、リアルタイムのercの課題への対処、感情原因の認識まで幅広い。
この調査はERCの導入から始まり、このタスクに関連する課題と機会について検討する。
注釈における主観性を扱うための主要な感情分類学と方法の説明が続く。
次に、ercや単語埋め込みに関連するディープラーニングメソッドを説明し、通常バランスのとれないercデータセットを扱うタスクやメソッドのパフォーマンスメトリクスの使用について詳しく説明する。
続いて、キーercの作業の説明とベンチマークと、それらのメソッドと異なるデータセット間のパフォーマンスに関するいくつかの作業を比較する総合的なテーブルが続く。
この調査は、不均衡なデータに対処するテクニックを活用することの利点、混合感情の探求、学習段階にアノテーションの主観性を導入することの利点を強調している。
関連論文リスト
- Layer-Wise Analysis of Self-Supervised Acoustic Word Embeddings: A Study
on Speech Emotion Recognition [54.952250732643115]
連続表現から派生した長さの固定長特徴である音響単語埋め込み(AWE)について検討し,その利点について検討した。
AWEは以前、音響的識別可能性の把握に有用であることを示した。
以上の結果から,AWEが伝達する音響的文脈が明らかになり,高い競争力を持つ音声認識精度が示された。
論文 参考訳(メタデータ) (2024-02-04T21:24:54Z) - Thread of Thought Unraveling Chaotic Contexts [133.24935874034782]
思考のスレッド(ThoT)戦略は、人間の認知プロセスからインスピレーションを得ている。
実験では、他のプロンプト技術と比較して、ThoTは推論性能を著しく改善する。
論文 参考訳(メタデータ) (2023-11-15T06:54:44Z) - InstructERC: Reforming Emotion Recognition in Conversation with a
Retrieval Multi-task LLMs Framework [10.926811477543081]
本稿では,Large Language Models(LLMs)に基づく識別的枠組みから生成的枠組みへ,感情認識タスクを再構築する新しい手法を提案する。
インストラクタは3つの重要な貢献をしている。
私たちのコードとアライメントされた統合データセット(UIME)はGithubのリンクで参照できます。
論文 参考訳(メタデータ) (2023-09-21T09:22:07Z) - Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。
また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。
次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
論文 参考訳(メタデータ) (2023-08-17T10:49:18Z) - 'What are you referring to?' Evaluating the Ability of Multi-Modal
Dialogue Models to Process Clarificational Exchanges [65.03196674816772]
参照表現が宛先に対して意図された参照を一意に識別しない場合、参照の曖昧さが対話で生じる。
出席者は、通常、そのような曖昧さをすぐに検知し、メタコミュニケーション、明確化取引所(CE: Meta-communicative, Clarification Exchanges)を使用して、話者と作業する。
ここでは、CRを生成・応答する能力は、マルチモーダルな視覚的基盤を持つ対話モデルのアーキテクチャと目的関数に特定の制約を課していると論じる。
論文 参考訳(メタデータ) (2023-07-28T13:44:33Z) - DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。
そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
論文 参考訳(メタデータ) (2023-06-15T10:41:23Z) - Contextual Information and Commonsense Based Prompt for Emotion
Recognition in Conversation [14.651642872901496]
会話における感情認識(Emotion Recognition in conversation,ERC)は、ある会話における発話ごとの感情を検出することを目的としている。
近年のERCモデルは、事前学習と微調整のパラダイムを取り入れた事前学習言語モデル(PLM)を活用して、優れた性能を実現している。
本稿では,命令モデルと言語モデル(LM)チューニングの新しいパラダイムを取り入れた新しいERCモデルCISPERを提案する。
論文 参考訳(メタデータ) (2022-07-27T02:34:05Z) - M2R2: Missing-Modality Robust emotion Recognition framework with
iterative data augmentation [6.962213869946514]
学習された共通表現による反復的データ拡張で感情認識モデルを訓練するミス・モダリティ・ロバスト感情認識(M2R2)を提案する。
Party Attentive Network (PANet)は、すべての話者の状態と状況を追跡する感情を分類するために設計された。
論文 参考訳(メタデータ) (2022-05-05T09:16:31Z) - Hybrid Curriculum Learning for Emotion Recognition in Conversation [10.912215835115063]
本枠組みは,(1)会話レベルカリキュラム(CC)と(2)発話レベルカリキュラム(UC)の2つのカリキュラムから構成される。
提案したモデルに依存しないハイブリッドカリキュラム学習戦略により,既存のERCモデルに対する大幅な性能向上が観測された。
論文 参考訳(メタデータ) (2021-12-22T08:02:58Z) - Affective Image Content Analysis: Two Decades Review and New
Perspectives [132.889649256384]
我々は,過去20年間の情緒的イメージコンテンツ分析(AICA)の発展を包括的にレビューする。
我々は、感情的ギャップ、知覚主観性、ラベルノイズと欠如という3つの主要な課題に関して、最先端の手法に焦点を当てる。
画像の内容やコンテキスト理解,グループ感情クラスタリング,ビューアーとイメージのインタラクションなど,今後の課題や研究の方向性について論じる。
論文 参考訳(メタデータ) (2021-06-30T15:20:56Z)
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。