論文の概要: Emotion Detection From Social Media Posts

• arxiv url: http://arxiv.org/abs/2302.05610v1
• Date: Sat, 11 Feb 2023 05:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 19:39:19.996354
• Title: Emotion Detection From Social Media Posts
• Title（参考訳）: ソーシャルメディア投稿からの感情検出
• Authors: Md Mahbubur Rahman, Shaila Shova
• Abstract要約: Twitterのようなソーシャルメディア投稿から得られたテキストデータから感情を識別する話題に対処する。 サポートベクトルマシン(SVM)、ネイブベイズ(Naive Bayes)、決定木(Decision Tree)、ランダムフォレスト(Random Forest)といった従来の機械学習技術や、LSTM、CNN、GRU、BiLSTM、BiGRUといったディープニューラルネットワークモデルをデプロイしました。
• 参考スコア（独自算出の注目度）: 2.3605348648054463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last few years, social media has evolved into a medium for expressing personal views, emotions, and even business and political proposals, recommendations, and advertisements. We address the topic of identifying emotions from text data obtained from social media posts like Twitter in this research. We have deployed different traditional machine learning techniques such as Support Vector Machines (SVM), Naive Bayes, Decision Trees, and Random Forest, as well as deep neural network models such as LSTM, CNN, GRU, BiLSTM, BiGRU to classify these tweets into four emotion categories (Fear, Anger, Joy, and Sadness). Furthermore, we have constructed a BiLSTM and BiGRU ensemble model. The evaluation result shows that the deep neural network models(BiGRU, to be specific) produce the most promising results compared to traditional machine learning models, with an 87.53 % accuracy rate. The ensemble model performs even better (87.66 %), albeit the difference is not significant. This result will aid in the development of a decision-making tool that visualizes emotional fluctuations.
• Abstract（参考訳）: ここ数年、ソーシャルメディアは個人的見解、感情、さらにはビジネスや政治的提案、レコメンデーション、広告などを表現するメディアへと発展してきた。 本稿では、twitterなどのソーシャルメディア投稿から得られたテキストデータから感情を識別する話題について述べる。 Support Vector Machines (SVM)、Naive Bayes、Decision Trees、Random Forestといった従来の機械学習技術に加えて、LSTM、CNN、GRU、BiLSTM、BiGRUといったディープニューラルネットワークモデルを使用して、これらのツイートを4つの感情カテゴリ(Fear、Anger、Joy、Sadness)に分類しました。 さらに,BiLSTMとBiGRUアンサンブルモデルを構築した。 評価結果は、ディープニューラルネットワークモデル(具体的にはBiGRU)が、従来の機械学習モデルと比較して、87.53パーセントの精度で最も有望な結果をもたらすことを示している。 アンサンブルモデルはさらに良くなる(87.66%)が、違いは重要ではない。 この結果は、感情的な変動を視覚化する意思決定ツールの開発に役立つだろう。

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)
• 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)
• Deep Imbalanced Learning for Multimodal Emotion Recognition in Conversations [15.705757672984662]
  会話におけるマルチモーダル感情認識(MERC)は、マシンインテリジェンスにとって重要な開発方向である。 MERCのデータの多くは自然に感情カテゴリーの不均衡な分布を示しており、研究者は感情認識に対する不均衡なデータの負の影響を無視している。 生データにおける感情カテゴリーの不均衡分布に対処するクラス境界拡張表現学習(CBERL)モデルを提案する。 我々は,IEMOCAPおよびMELDベンチマークデータセットの広範な実験を行い,CBERLが感情認識の有効性において一定の性能向上を達成したことを示す。
  論文  参考訳（メタデータ） (2023-12-11T12:35:17Z)
• Socratis: Are large multimodal models emotionally aware? [63.912414283486555]
  既存の感情予測ベンチマークでは、様々な理由で画像やテキストが人間にもたらす感情の多様性を考慮していない。 社会反応ベンチマークであるソクラティス (Socratis) を提案し, それぞれのイメージ・キャプション(IC) ペアに複数の感情とそれらを感じる理由をアノテートする。 我々は、ICペアが与えられた感情を感じる理由を生成するために、最先端のマルチモーダルな大規模言語モデルの能力をベンチマークする。
  論文  参考訳（メタデータ） (2023-08-31T13:59:35Z)
• Political Sentiment Analysis of Persian Tweets Using CNN-LSTM Model [0.356008609689971]
  ペルシャの政治ツイートの分析感情に機械学習とディープラーニングモデルを提案する。 ParsBERTの埋め込みによるディープラーニングは、機械学習よりも優れている。
  論文  参考訳（メタデータ） (2023-07-15T08:08:38Z)
• Depression detection in social media posts using affective and social norm features [84.12658971655253]
  ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。 我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。 提案された機能を含めると、両方の設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2023-03-24T21:26:27Z)
• Emotion Detection From Tweets Using a BERT and SVM Ensemble Model [0.0]
  本稿では,感情認識のための支援ベクトルマシンとトランスフォーマーからの双方向表現について検討する。 2つのBERTモデルとSVMモデルを組み合わせた新しいアンサンブルモデルを提案する。 実験の結果,提案モデルでは,ツイート中の感情認識の精度が0.91であることがわかった。
  論文  参考訳（メタデータ） (2022-08-09T05:32:29Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• 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)
• Towards Emotion Recognition in Hindi-English Code-Mixed Data: A Transformer Based Approach [0.0]
  感情検出のためのラベル付きhinglishデータセットを提案する。 ヒンディー語と英語の混成ツイートの感情を検出するための深層学習に基づくアプローチに注目した。
  論文  参考訳（メタデータ） (2021-02-19T14:07:20Z)
• 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)

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。