.png){kind=icon}
返回
Expansion quantization network: A micro-emotion detection and annotation framework
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0333930.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
文本情感检测构成了推动人工智能从基础理解到情感推理探索的关键基础。大多数现有情感检测数据集依赖人工标注，这涉及高成本、显著的主观性以及严重的标签不平衡问题。这一问题尤其在微情感的标注不足和情感强度表示缺失方面表现突出，无法捕捉句子中蕴含的丰富情感，并影响下游任务完成的品质。通过提出全标签和训练集标签回归方法，我们将标签值映射至能量强度等级，从而充分利用机器模型的学习能力及标签间的相互依赖关系，以揭示样本中的多重情感。这促使我们建立了用于微情感检测与标注的情感量化网络（EQN）框架。我们使用五个常用情感数据集，与不同模型进行了对比实验，验证了该框架在NLP机器学习模型中的广泛适用性。基于EQN框架，我们在GoEmotions数据集上进行了情感检测与标注。与相关文献结果的全面比较表明，EQN框架具备自动检测和标注微情感的强大能力。EQN框架首次实现了基于能量级分数的自动微情感标注，为后续情感检测分析和情感计算的定量研究提供了有力支持。
Keyword:
CLASSIFICATION
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏The effect of activation functions on accuracy, convergence speed, and misclassification confidence in CNN text classification: a comprehensive explorationCNN文本分类中激活函数对准确度、收敛速度和误分类置信度的影响: 综合探索
OAAI
OAAI分享收藏Advancements in Humanoid Robots: A Comprehensive Review and Future Prospects类人机器人的进展: 全面回顾和未来展望
PREAI
分享收藏
查看更多内容