論文の概要: Unsupervised Extractive Summarization of Emotion Triggers

• arxiv url: http://arxiv.org/abs/2306.01444v1
• Date: Fri, 2 Jun 2023 11:07:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 15:36:51.308650
• Title: Unsupervised Extractive Summarization of Emotion Triggers
• Title（参考訳）: 感情トリガーの教師なし抽出要約
• Authors: Tiberiu Sosea, Hongli Zhan, Junyi Jessy Li, and Cornelia Caragea
• Abstract要約: 我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
• 参考スコア（独自算出の注目度）: 56.50078267340738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding what leads to emotions during large-scale crises is important as it can provide groundings for expressed emotions and subsequently improve the understanding of ongoing disasters. Recent approaches trained supervised models to both detect emotions and explain emotion triggers (events and appraisals) via abstractive summarization. However, obtaining timely and qualitative abstractive summaries is expensive and extremely time-consuming, requiring highly-trained expert annotators. In time-sensitive, high-stake contexts, this can block necessary responses. We instead pursue unsupervised systems that extract triggers from text. First, we introduce CovidET-EXT, augmenting (Zhan et al. 2022)'s abstractive dataset (in the context of the COVID-19 crisis) with extractive triggers. Second, we develop new unsupervised learning models that can jointly detect emotions and summarize their triggers. Our best approach, entitled Emotion-Aware Pagerank, incorporates emotion information from external sources combined with a language understanding module, and outperforms strong baselines. We release our data and code at https://github.com/tsosea2/CovidET-EXT.
• Abstract（参考訳）: 大規模危機時の感情に何をもたらすかを理解することは、表現された感情の基盤を提供し、続いて進行中の災害の理解を改善するために重要である。 最近のアプローチでは、感情の検出と、抽象的な要約を通じて感情トリガ(イベントと評価)を説明するために教師付きモデルが訓練されている。 しかし、時間と質的な抽象的な要約を得ることは高価であり、非常に時間がかかるため、高度に訓練された専門家アノテータが必要である。 時間に敏感で高スループットなコンテキストでは、必要な応答をブロックできる。 代わりに、テキストからトリガーを抽出する教師なしのシステムを追求する。 まず,CvidET-EXT,Augmenting (Zhan et al. 2022)の抽象的データセット(COVID-19危機の文脈で)を抽出的トリガーで導入する。 第2に,感情を共同で検出し,トリガを要約する,教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報を言語理解モジュールと組み合わせることで、強力なベースラインを上回ります。 データとコードはhttps://github.com/tsosea2/CovidET-EXTで公開しています。

関連論文リスト

• EMO-KNOW: A Large Scale Dataset on Emotion and Emotion-cause [8.616061735005314]
  我々は15年間で980万件のツイートから導かれた感情原因の大規模なデータセットを紹介した。 データセットの新規性は、その幅広い感情クラスと抽象的な感情原因に由来する。 私たちのデータセットは、異なる人々の多様な感情反応を考慮に入れた感情認識システムの設計を可能にします。
  論文  参考訳（メタデータ） (2024-06-18T08:26:33Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• 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)
• 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)
• 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)
• Dilated Context Integrated Network with Cross-Modal Consensus for Temporal Emotion Localization in Videos [128.70585652795637]
  TELは、時間的行動の局所化と比較して3つのユニークな課題を提示している。 感情は時間的ダイナミクスが非常に多様である。 微粒な時間的アノテーションは複雑で、労働集約的です。
  論文  参考訳（メタデータ） (2022-08-03T10:00:49Z)
• A Dual-Questioning Attention Network for Emotion-Cause Pair Extraction with Context Awareness [3.5630018935736576]
  感情因果ペア抽出のためのデュアルクエストアテンションネットワークを提案する。 具体的には、文脈的・意味的回答のための注意ネットワークを通じて、候補者の感情や要因を独立に問う。 実験結果から,本手法は複数の評価指標の基準値よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-04-15T03:47:04Z)
• End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
  感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。 既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。 本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。