論文の概要: Emotion Classification In-Context in Spanish

• arxiv url: http://arxiv.org/abs/2505.20571v1
• Date: Mon, 26 May 2025 23:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.316416
• Title: Emotion Classification In-Context in Spanish
• Title（参考訳）: スペイン語における感情分類の文脈
• Authors: Bipul Thapa, Gabriel Cofre,
• Abstract要約: 顧客からのフィードバックを,肯定的,中立的,否定的という3つの感情カテゴリーに分類する。 伝統的な方法では、広く話される言語からのフィードバックをあまり一般的でない言語に翻訳し、意味的整合性が失われる。 本稿では,TF-IDFとBERTの埋め込みを組み合わせたハイブリッド手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Classifying customer feedback into distinct emotion categories is essential for understanding sentiment and improving customer experience. In this paper, we classify customer feedback in Spanish into three emotion categories--positive, neutral, and negative--using advanced NLP and ML techniques. Traditional methods translate feedback from widely spoken languages to less common ones, resulting in a loss of semantic integrity and contextual nuances inherent to the original language. To address this limitation, we propose a hybrid approach that combines TF-IDF with BERT embeddings, effectively transforming Spanish text into rich numerical representations that preserve the semantic depth of the original language by using a Custom Stacking Ensemble (CSE) approach. To evaluate emotion classification, we utilize a range of models, including Logistic Regression, KNN, Bagging classifier with LGBM, and AdaBoost. The CSE model combines these classifiers as base models and uses a one-vs-all Logistic Regression as the meta-model. Our experimental results demonstrate that CSE significantly outperforms the individual and BERT model, achieving a test accuracy of 93.3% on the native Spanish dataset--higher than the accuracy obtained from the translated version. These findings underscore the challenges of emotion classification in Spanish and highlight the advantages of combining vectorization techniques like TF-IDF with BERT for improved accuracy. Our results provide valuable insights for businesses seeking to leverage emotion classification to enhance customer feedback analysis and service improvements.
• Abstract（参考訳）: 顧客からのフィードバックを異なる感情カテゴリに分類することは、感情を理解し、顧客エクスペリエンスを改善するのに不可欠です。 本稿では,スペイン語におけるユーザのフィードバックを,肯定的,中立的,否定的という3つの感情カテゴリーに分類する。 伝統的な手法は、広く話される言語からのフィードバックをあまり一般的でない言語に翻訳し、結果として意味的整合性と本来の言語固有の文脈的ニュアンスを失う。 この制限に対処するために、TF-IDFとBERTの埋め込みを組み合わせたハイブリッドアプローチを提案し、カスタム・スタックング・アンサンブル(CSE)アプローチを用いて、スペイン語のテキストを元の言語の意味的な深さを保存するリッチな数値表現に変換する。 感情の分類を評価するために、ロジスティック回帰、KNN、LGBMを用いたバッグング分類器、AdaBoostなどのモデルを利用する。 CSEモデルはこれらの分類器をベースモデルとして組み合わせ、メタモデルとして1vsオールロジスティック回帰を使用する。 実験の結果,CSEは個人およびBERTモデルよりも有意に優れており,スペイン語のデータセットで93.3%の精度が得られた。 これらの結果は、スペイン語における感情分類の課題を浮き彫りにして、TF-IDFのようなベクトル化手法とBERTを組み合わせる利点を強調した。 その結果,顧客からのフィードバック分析やサービス改善に感情分類を活用しようとする企業にとって貴重な知見が得られた。

関連論文リスト

• Enhancing Multilingual Sentiment Analysis with Explainability for Sinhala, English, and Code-Mixed Content [0.0]
  既存のモデルは、Sinhalaのような低リソース言語と競合し、実用的な使用には解釈性がない。 本研究は,多言語機能と説明可能な出力を両立させるハイブリッドアスペクトベース感情分析フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-04-18T08:21:12Z)
• Enhancing Multilingual ASR for Unseen Languages via Language Embedding Modeling [50.62091603179394]
  最も先進的なASRモデルの1つであるWhisperは99の言語を効果的に扱う。 しかし、ウィスパーは未確認の言語と戦っているが、それらは事前訓練には含まれていない。 本研究では,これらの関係を利用して未知言語上でのASR性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-12-21T04:05:43Z)
• Improving Arabic Multi-Label Emotion Classification using Stacked Embeddings and Hybrid Loss Function [4.149971421068989]
  本研究は、アラビア語における多言語感情分類を強化するために、積層埋め込み、メタラーニング、ハイブリッド損失関数を用いている。 さらに性能向上のために,クラス重み付け,ラベル相関,コントラスト学習を取り入れたハイブリッド損失関数を導入した。 実験では、Precision、Recall、F1-Score、Jaccard Accuracy、Hamming Lossといった主要なメトリクスで提案されたモデルのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2024-10-04T23:37:21Z)
• T3L: Translate-and-Test Transfer Learning for Cross-Lingual Text Classification [50.675552118811]
  言語間テキスト分類は通常、様々な言語で事前訓練された大規模多言語言語モデル(LM)に基づいて構築される。 本稿では,古典的な「翻訳とテスト」パイプラインを再考し,翻訳と分類の段階を適切に分離することを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:33:22Z)
• 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)
• Beyond Contrastive Learning: A Variational Generative Model for Multilingual Retrieval [109.62363167257664]
  本稿では,多言語テキスト埋め込み学習のための生成モデルを提案する。 我々のモデルは、$N$言語で並列データを操作する。 本手法は, 意味的類似性, ビットクストマイニング, 言語間質問検索などを含む一連のタスクに対して評価を行う。
  論文  参考訳（メタデータ） (2022-12-21T02:41:40Z)
• A New Generation of Perspective API: Efficient Multilingual Character-level Transformers [66.9176610388952]
  Google JigsawのAspective APIの次期バージョンの基礎を提示する。 このアプローチの中心は、単一の多言語トークンフリーなCharformerモデルである。 静的な語彙を強制することで、さまざまな設定で柔軟性が得られます。
  論文  参考訳（メタデータ） (2022-02-22T20:55:31Z)
• TextFlint: Unified Multilingual Robustness Evaluation Toolkit for Natural Language Processing [73.16475763422446]
  NLPタスク(TextFlint)のための多言語ロバスト性評価プラットフォームを提案する。 普遍的なテキスト変換、タスク固有の変換、敵攻撃、サブポピュレーション、およびそれらの組み合わせを取り入れ、包括的な堅牢性分析を提供する。 TextFlintは、モデルの堅牢性の欠点に対処するために、完全な分析レポートとターゲットとした拡張データを生成します。
  論文  参考訳（メタデータ） (2021-03-21T17:20:38Z)

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。