論文の概要: EmoTwiCS: A Corpus for Modelling Emotion Trajectories in Dutch Customer
Service Dialogues on Twitter
- arxiv url: http://arxiv.org/abs/2310.06536v1
- Date: Tue, 10 Oct 2023 11:31:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 15:45:28.400792
- Title: EmoTwiCS: A Corpus for Modelling Emotion Trajectories in Dutch Customer
Service Dialogues on Twitter
- Title（参考訳）: EmoTwiCS: オランダの顧客サービス対話における感情軌跡をモデル化するコーパス
- Authors: Sofie Labat and Thomas Demeester and V\'eronique Hoste
- Abstract要約: 本稿では,情緒トラジェクトリに注釈を付けた9,489件のオランダの顧客サービス対話コーパスであるEmoTwiCSを紹介する。
感情軌跡」という用語は、顧客の体験したきめ細かい感情だけでなく、会話の前に起きる出来事や人間の操作者による反応も指している。
- 参考スコア（独自算出の注目度）: 9.2878798098526
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the rise of user-generated content, social media is increasingly
adopted as a channel to deliver customer service. Given the public character of
these online platforms, the automatic detection of emotions forms an important
application in monitoring customer satisfaction and preventing negative
word-of-mouth. This paper introduces EmoTwiCS, a corpus of 9,489 Dutch customer
service dialogues on Twitter that are annotated for emotion trajectories. In
our business-oriented corpus, we view emotions as dynamic attributes of the
customer that can change at each utterance of the conversation. The term
`emotion trajectory' refers therefore not only to the fine-grained emotions
experienced by customers (annotated with 28 labels and
valence-arousal-dominance scores), but also to the event happening prior to the
conversation and the responses made by the human operator (both annotated with
8 categories). Inter-annotator agreement (IAA) scores on the resulting dataset
are substantial and comparable with related research, underscoring its high
quality. Given the interplay between the different layers of annotated
information, we perform several in-depth analyses to investigate (i) static
emotions in isolated tweets, (ii) dynamic emotions and their shifts in
trajectory, and (iii) the role of causes and response strategies in emotion
trajectories. We conclude by listing the advantages and limitations of our
dataset, after which we give some suggestions on the different types of
predictive modelling tasks and open research questions to which EmoTwiCS can be
applied. The dataset is available upon request and will be made publicly
available upon acceptance of the paper.
- Abstract（参考訳）: ユーザー生成コンテンツの増加により、ソーシャルメディアは顧客サービスを提供するチャネルとしてますます採用されている。
これらのオンラインプラットフォームのパブリックな性格を考えると、感情の自動検出は顧客の満足度を監視し、否定的な口コミを防ぐ上で重要な応用となる。
本稿では、感情軌跡に注釈を付けた9,489件のオランダの顧客サービス対話コーパスであるEmoTwiCSを紹介する。
ビジネス指向のコーパスでは、会話の発声ごとに変化する顧客の動的属性として感情を捉えています。
感情軌跡」という用語は、顧客によって経験されるきめ細かい感情(28のラベルと有能な覚醒スコアが注釈付けされている)だけでなく、会話の前に起こる出来事や人間の操作者による反応(どちらも8つのカテゴリーに注釈付けされている)も指している。
結果として得られたデータセットに関するIAA(Inter-annotator Agreement)スコアは、その高品質を裏付ける、関連する研究に相当する。
注釈付き情報の異なる層間の相互作用を考慮し、詳細な分析を行って調査する。
(i)孤立したツイートにおける静的な感情
(二)動的な感情とその軌跡の変化、及び
(iii)感情の軌跡における原因と反応戦略の役割
最後に、データセットの利点と限界をリストアップし、その後、さまざまな予測モデリングタスクと、emotwicsが適用可能なオープンリサーチの質問について提案します。
データセットは要求に応じて利用可能であり、論文の受理時に公開される予定だ。
関連論文リスト
- CAPE: A Chinese Dataset for Appraisal-based Emotional Generation using Large Language Models [30.40159858361768]
認知評価理論に基づく感情コーパスという中国のデータセットであるCAPEを作成するための2段階の自動データ生成フレームワークを提案する。
このコーパスは、多様な個人的・状況的要因を考慮し、文脈的に適切な感情的反応を伴う対話を生成する。
我々の研究は、会話エージェントにおける感情表現を前進させる可能性を示し、よりニュアンスで有意義な人間とコンピュータの相互作用の道を開いた。
論文 参考訳（メタデータ） (2024-10-18T03:33:18Z) - Towards Empathetic Conversational Recommender Systems [77.53167131692]
本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。
ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。
ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
論文 参考訳（メタデータ） (2024-08-30T15:43:07Z) - Recognizing Emotion Regulation Strategies from Human Behavior with Large Language Models [44.015651538470856]
人間の感情は直接表現されないことが多いが、内部のプロセスや社会的表示規則に従って制御される。
ユーザ間のシナリオで異なる感情制御戦略を自動的に分類する方法は存在しない。
我々は最近導入されたtextscDeepコーパスを利用して、感情の恥の社会的表示をモデル化する。
微調整されたLlama2-7Bモデルは、利用した感情制御戦略を高精度に分類することができる。
論文 参考訳（メタデータ） (2024-08-08T12:47:10Z) - 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) - End-to-End Continuous Speech Emotion Recognition in Real-life Customer
Service Call Center Conversations [0.0]
本稿では,顧客サービスコールセンタ会話における連続SERのための大規模実生活データセット(CusEmo)を構築するためのアプローチを提案する。
我々は,実生活におけるコールセンター会話における感情の微妙さ,複雑さ,継続性を捉えるために,次元的感情アノテーションアプローチを採用した。
この研究は、データセットへのEnd-to-End (E2E) SERシステムの適用中に発生する課題にも対処している。
論文 参考訳（メタデータ） (2023-10-02T11:53:48Z) - Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
隠れ変数分離に基づく動的因果解離モデルを提案する。
このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。
具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
論文 参考訳（メタデータ） (2023-09-13T12:58:09Z) - 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) - 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。