論文の概要: My Words Imply Your Opinion: Reader Agent-Based Propagation Enhancement for Personalized Implicit Emotion Analysis

• arxiv url: http://arxiv.org/abs/2412.07367v1
• Date: Tue, 10 Dec 2024 10:06:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:37:41.349276
• Title: My Words Imply Your Opinion: Reader Agent-Based Propagation Enhancement for Personalized Implicit Emotion Analysis
• Title（参考訳）: 私の言葉はあなたの意見を暗示する:パーソナライズされたインシシト感情分析のための読者エージェントによる伝播促進
• Authors: Jian Liao, Yu Feng, Xiaoyu Wang, Suge Wang, Jianxing Zheng, Deyu Li,
• Abstract要約: 暗黙的感情分析(IEA)では、感情表現の微妙さはユーザー特有の特徴に特に敏感である。 既存の研究は、感情的テキストの著者的次元に着目して、パーソナライズを分析に注入することが多い。 本稿では,このタスクにおけるユーザ情報の欠落の問題に対処する新しいフレームワークであるRAPPIEモデルを紹介する。
• 参考スコア（独自算出の注目度）: 13.531796406992282
• License:
• Abstract: In implicit emotion analysis (IEA), the subtlety of emotional expressions makes it particularly sensitive to user-specific characteristics. Existing studies often inject personalization into the analysis by focusing on the authorial dimension of the emotional text. However, these methods overlook the potential influence of the intended reader on the reaction of implicit emotions. In this paper, we refine the IEA task to Personalized Implicit Emotion Analysis (PIEA) and introduce the RAPPIE model, a novel framework designed to address the issue of missing user information within this task. In particular, 1) we create reader agents based on the Large Language Model to simulate reader reactions, to address challenges of the spiral of silence and data incompleteness encountered when acquiring reader feedback information. 2) We establish a reader propagation role system and develop a role-aware emotion propagation multi-view graph learning model, which effectively deals with the sparsity of reader information by utilizing the distribution of propagation roles. 3) We annotate two Chinese PIEA datasets with detailed user metadata, thereby addressing the limitation of prior datasets that primarily focus on textual content annotation. Extensive experiments on these datasets indicate that the RAPPIE model outperforms current state-of-the-art baselines, highlighting the significance and efficacy of incorporating reader feedback into the PIEA process.
• Abstract（参考訳）: 暗黙的感情分析(IEA)では、感情表現の微妙さはユーザー特有の特徴に特に敏感である。 既存の研究は、感情的テキストの著者的次元に着目して、パーソナライズを分析に注入することが多い。 しかし、これらの手法は、暗黙の感情の反応に対する意図された読者の潜在的影響を見落としている。 本稿では、IEAタスクをPersonalized Implicit Emotion Analysis (PIEA)に洗練させ、このタスク内で欠落したユーザ情報に対処する新しいフレームワークであるRAPPIEモデルを導入する。 特に 1) 読者の反応をシミュレートするLarge Language Modelに基づくリーダエージェントを作成し, 読者のフィードバック情報を取得する際に発生する沈黙の渦巻きやデータ不完全性の課題に対処する。 2) 読者伝達役システムを構築し, 伝達役の分布を利用して, 読者情報の疎結合を効果的に扱う役割認識型感情伝播多視点グラフ学習モデルを構築した。 3)2つの中国語PIEAデータセットに詳細なユーザメタデータを付加し,テキストコンテンツアノテーションに重点を置く先行データセットの制限に対処する。 これらのデータセットに対する大規模な実験は、RAPPIEモデルが現在の最先端ベースラインより優れており、PIEAプロセスに読者フィードバックを組み込むことの重要性と有効性を強調していることを示している。

関連論文リスト

• 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)
• Understanding Before Recommendation: Semantic Aspect-Aware Review Exploitation via Large Language Models [53.337728969143086]
  レコメンデーションシステムは、クリックやレビューのようなユーザとイテムのインタラクションを利用して表現を学習する。 従来の研究では、様々な側面や意図にまたがるユーザの嗜好をモデル化することで、推奨精度と解釈可能性を改善する。 そこで本研究では,意味的側面と認識的相互作用を明らかにするためのチェーンベースのプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T15:44:09Z)
• Enhancing HOI Detection with Contextual Cues from Large Vision-Language Models [56.257840490146]
  ConCueは、HOI検出における視覚的特徴抽出を改善するための新しいアプローチである。 コンテクストキューをインスタンスと相互作用検出器の両方に統合するマルチトウワーアーキテクチャを用いたトランスフォーマーベースの特徴抽出モジュールを開発した。
  論文  参考訳（メタデータ） (2023-11-26T09:11:32Z)
• EmoTwiCS: A Corpus for Modelling Emotion Trajectories in Dutch Customer Service Dialogues on Twitter [9.2878798098526]
  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。
  論文  参考訳（メタデータ） (2023-10-10T11:31:11Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• REDAffectiveLM: Leveraging Affect Enriched Embedding and Transformer-based Neural Language Model for Readers' Emotion Detection [3.6678641723285446]
  本稿では,REDAffectiveLMと呼ばれる深層学習モデルを用いて,短文文書からの読み手感情検出のための新しい手法を提案する。 コンテクストに特化してリッチ表現に影響を与え, リッチBi-LSTM+Attentionに影響を及ぼすタンデムにおいて, トランスフォーマーに基づく事前学習言語モデルを用いることで, リッチ表現に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-01-21T19:28:25Z)
• 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)
• Emotion-Cause Pair Extraction in Customer Reviews [3.561118125328526]
  我々は,オンラインレビューの分野において,ECPEにおける研究成果を提示することを目的としている。 手動でアノテートしたデータセットを用いて、ニューラルネットワークを用いて感情の原因ペアを抽出するアルゴリズムを探索する。 本稿では,従来の参考資料を用いたモデルと感情要因のペア抽出と,感情認識単語の埋め込み領域の研究を組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-12-07T20:56:20Z)
• Stimuli-Aware Visual Emotion Analysis [75.68305830514007]
  本稿では,刺激選択,特徴抽出,感情予測の3段階からなる刺激認識型視覚感情分析(VEA)手法を提案する。 我々の知る限りでは、エンド・ツー・エンドのネットワークでVEAに刺激選択プロセスを導入するのは初めてです。 実験により、提案手法は、4つの公的な視覚的感情データセットに対する最先端のアプローチよりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T08:14:52Z)
• 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)
• Position Bias Mitigation: A Knowledge-Aware Graph Model for Emotion Cause Extraction [24.288475819004034]
  広く使われているCEデータセットは、注釈付き原因節の大多数が関連する感情節の直前にあるか、あるいは感情節自体である、というバイアスを呈している。 ECEの既存のモデルは、そのような相対的な位置情報を探索し、データセットバイアスに悩まされる傾向がある。 本稿では,相対的な位置情報がもはや原因節の指示的特徴ではない敵例を生成するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2021-06-07T11:14:58Z)

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。