NLP – تجزیه و تحلیل احساسات

ia & human emotion recogniation

NLP – تجزیه و تحلیل احساسات

by sadegh 0 Comment
مقالهکنفرانسملاحظات
توییتر طبقه بندی احساسات با استفاده از نظارت از راه دورNA 2009روشی نوین برای طبقه بندی خودکار احساس پیام های توییتر با استفاده از یادگیری نظارت شده از راه دور ارائه می دهد.
شبکه های عصبی کانولوشن برای طبقه بندی جملاتEMNLP 2014نشان دهید که یک CNN ساده با تنظیم بیش از حد پارامتر و بردارهای ساکن نتایج عالی را در چندین معیار در کار طبقه بندی جمله بدست می آورد.
مقایسه رویکردهای مبتنی بر واژه نامه برای تجزیه و تحلیل احساسات پست های میکروبلاگArxiv 2014بر اساس بهره برداری از منابع واژگانی گسترده مانند SentiWordNet ، WordNet-Affect ، MPQA و SenticNet ، یک روش مبتنی بر واژه نامه برای طبقه بندی احساسات در پست های توییتر ارائه دهید.
مقایسه و ترکیب روشهای تحلیل احساساتArxiv 20141. مقایسه هشت روش محبوب تجزیه و تحلیل احساسات از نظر پوشش (به عنوان مثال ، بخشی از پیام هایی که احساسات آنها شناسایی می شود) و توافق (به عنوان مثال ، بخشی از احساسات شناسایی شده که با حقیقت زمین مطابقت دارند). 2. ایجاد روشی جدید که ترکیبی از رویکردهای موجود ، ارائه بهترین نتایج پوشش و توافق رقابتی باشد. 3. یک سرویس وب رایگان به نام iFeel ارائه دهید ، که یک API باز برای دسترسی و مقایسه نتایج مختلف روشهای مختلف احساسات برای یک متن داده شده فراهم می کند.
الگوریتم ها و کاربردهای تحلیل احساسات: یک نظر سنجیمجله مهندسی Ain Shams 20141- تصویری تقریباً کامل از تکنیک های SA و زمینه های مرتبط با جزئیات مختصر ارائه دهید. 2. دسته بندی های پیچیده ای از تعداد زیادی از مقالات اخیر و نشان دادن روند اخیر تحقیقات در تجزیه و تحلیل احساسات و مناطق مرتبط با آن را ارائه دهید.
تجزیه و تحلیل احساسات: تشخیص ظرفیت ، احساسات و سایر حالات تأثیرگذار از متناندازه گیری احساسات 20151. خلاصه منظر متنوع وظایف و برنامه های مرتبط با تجزیه و تحلیل احساسات. 2. چالش های کلیدی ناشی از پیچیدگی و ظرافت استفاده از زبان ، رواج زبان خلاق و غیراستاندارد و فقدان اطلاعات زبان زبانی مانند نشانگرهای تن و تنش را مشخص کنید. 3- سیستم ها و مجموعه داده های خودکار را که معمولاً در تحلیل احساسات استفاده می شوند ، توصیف کنید. 4- خلاصه ای از چندین رویکرد دستی و خودکار برای ایجاد واژه نامه های مرتبط با اشتیاق و احساسات. 5- درباره روشهای مقدماتی ترکیب احساسات (چگونگی ترکیب واحدهای کوچکتر متن برای بیان احساسات) و رویکردهای تشخیص احساسات به زبان مجازی و استعاری بحث کنید.
تجزیه و تحلیل حساسیت (و راهنمای تمرین کنندگان) شبکه های عصبی کانولوشن برای طبقه بندی جملاتArxiv 20151. برای بررسی تأثیر م componentsلفه های معماری بر عملکرد مدل ، یک تحلیل حساسیت از CNN های یک لایه انجام دهید. 2. بین تصمیمات مهم و نسبتاً بی نتیجه طراحی برای طبقه بندی جمله ها تفاوت قائل شوید. 3- از نتایج تجربی گسترده ما برای کسانی که علاقه مند هستند از CNN برای طبقه بندی جمله در تنظیمات دنیای واقعی بیشترین بهره را بگیرند ، مشاوره عملی بگیرید.
تجزیه و تحلیل احساسات: تشخیص ظرفیت ، احساسات و سایر حالات تأثیرگذار از متناندازه گیری احساسات 20161. تجزیه و تحلیل احساسات به تعیین نگرش افراد نسبت به یک هدف یا موضوع خاص اشاره دارد. 2. اسگود و همکاران (1957) سه بعد برجسته معنایی را ارزیابی (خوب-بد) ، قدرت (قوی-ضعیف) و فعالیت (فعال-منفعل) یا به طور خلاصه فرم EPA نشان داد. فرم محبوب دیگر ، قدرت ، تحریک و تسلط یا فرم PAD توسط راسل (1980) است. 3. تجزیه و تحلیل احساسات کاربردهای گسترده ای در مراقبت های بهداشتی ، سیاسی ، مدیریت برند ، آموزش و غیره دارد.
تجزیه و تحلیل احساسات استفاده از احساسات و تعبیه کلماتسیستم های خبره با برنامه های کاربردی 20161. یک روش سریع ، انعطاف پذیر و عمومی برای تشخیص احساسات از میان بریده های متنی ارائه می دهد که نظرات مردم را به زبان های مختلف بیان می کند. 2. رویکرد یادگیری ماشینی را تصویب می کند که اسناد متنی توسط بردارها نشان داده می شوند و برای آموزش مدل طبقه بندی قطبیت استفاده می شوند. 3. صلاحیت این نمایش های ویژگی برای کار طبقه بندی احساسات ارزیابی می شود
LSTM برای طبقه بندی احساس به طور زبانی منظم می شودACL 20171. یک مدل ساده آموزش داده شده با حاشیه نویسی در سطح جمله که سعی دارد نقش زبانی واژه نامه های احساسات ، کلمات نفی و کلمات شدت را مدل کند
EmoNet: تشخیص احساس ریز دانه با شبکه های عصبی عودکننده دردارACL 20171. یک مجموعه داده بسیار بزرگ با اندازه 1.6 میلیون توییت برای 24 احساس خوب ایجاد کنید. 2. یک مدل GRU بسیار عمیق برای طبقه بندی احساسات با نتیجه هنر بسازید.
تجزیه و تحلیل احساس وابسته به متن در فیلم های تولید شده توسط کاربرACL 2017یک مدل مبتنی بر LSTM ارائه دهید که گفته ها را برای گرفتن اطلاعات متنی از محیط پیرامون خود در تجزیه و تحلیل فیلم چند حالته امکان پذیر می کند.
با استفاده از میلیون ها مورد شکلک برای یادگیری بازنمایی هر دامنه برای تشخیص احساسات ، احساسات و کنایه هاEMNLP 20171. نظارت گسترده را بر روی مجموعه متنوعی از برچسب های پر سر و صدا گسترش دهید ، با استفاده از یک مجموعه داده 1246 میلیون توئیتی حاوی یکی از 64 شکلک رایج برای یادگیری نمایش های غنی تر. 2. دستیابی به عملکرد پیشرفته در 8 مجموعه داده معیار در تشخیص احساسات ، عواطف و کنایه ها با استفاده از یک مدل آموزش دیده تنها.
EMOBANK: بررسی تأثیر چشم انداز حاشیه و قالب نمایش در تحلیل احساسات بعدیEACL 20171. مجموعه ای از 10k جمله انگلیسی با حاشیه نویسی VAD. 2. زیرمجموعه ای از 1200 جمله انگلیسی با شش رتبه بندی احساسی VAD و Ekman. 3. هر دو دیدگاه خواننده و نویسنده. 4. عملکرد نزدیک به انسان برای نقشه برداری بین قالب های بعدی و دسته بندی شده
مدل سازی توجه برای احساسات هدفمندEACL 2017از مدل LSTM وانیل برای القای مقدار توجه کل جمله استفاده می شود. این مدل بیشتر برای تمایز زمینه های چپ و راست با توجه به یک هدف خاص پس از کارهای قبلی گسترش یافته است
LSTM توجه محور برای طبقه بندی احساس وابسته به هدفEACL 2017ترازبندی بین موجودیت های هدف و متمایزترین ویژگی ها را می آموزد.
اهرم کردن مقدار زیادی از داده های ضعیف نظارت شده برای طبقه بندی احساسات چند زبانهWWW 2017برای آموزش یک شبکه کانولوشن چند لایه و نشان دادن اهمیت استفاده از پیش آموزش چنین شبکه هایی ، از مقدار زیادی داده تحت نظارت ضعیف به زبان های مختلف استفاده می کند.
توجه آگاهانه از زمان و پویایی به نقش و زمینه های بلندگو برای درک زبان گفتاریASRU 2017یک شبکه مبتنی بر توجه را پیشنهاد می کند که علاوه بر این از اطلاعات زمانی و نقش بلندگو برای SLU بهتر استفاده می کند ، جایی که می توان توجه به زمینه ها و نقش های بلندگو را به صورت خودکار به صورت پایان به پایان یاد گرفت.
LSTM عمیق با توجه به سطح پیام و تجزیه و تحلیل احساسات مبتنی بر موضوعSemEval 20171. LSTM دو لایه با دقت ، در بالای تعبیه شده کلمه. 2. یک ابزار پردازش متن برای مجموعه داده های توییتر ارائه دهید
کاوش در جاسازی احساسات و مدل بعدی قدرت پیش بینی احساسات در احساسات توسطپایان نامه 20171. عدم درک سیستم هوش مصنوعی از احساسات انسانی مانع برقراری ارتباط موثر بین سیستم و افراد متقابل انسانی می شود. احساسات سهم بزرگی در برقراری ارتباط دارند زیرا به انسانها اجازه می دهد تا با یکدیگر همدلی و درک کنند. 2. اعتبار استفاده از مدل سه بعدی احساس را در مقابل مدل قطب ساده لوحانه در پیش بینی احساس داده های متنی مشخص کاوش کنید. 3- از مدل احساسات سه بعدی ، یعنی بردارهای VAD استفاده کنید و تعبیه های هیجان را آموزش دهید. 4- تجسم عدم تعمیم زمینه در تعبیه احساسات را نشان داد
ارزیابی مدل های احساسی پیشرفته در مجموعه داده های احساسی پیشرفتهWASSA 2017چندین مدل تجزیه و تحلیل احساسات را در شش معیار مختلف مقایسه کنید که متعلق به حوزه های مختلف هستند و علاوه بر این دارای سطوح مختلف دانه دانه (باینری ، 3 کلاس ، 4 کلاس و 5 کلاس) هستند.
# BB_twtr در SemEval-2017 وظیفه 4: تجزیه و تحلیل احساسات توییتر با CNN و LSTMSemEval 20171. تلاش برای تولید یک طبقه بندی پیشرفته احساسات توییتر را با استفاده از شبکه های عصبی کانولوشن (CNN) و حافظه کوتاه مدت بلند مدت (LSTM ها) توصیف کنید. 2. سیستم پیشنهادی از مقدار زیادی داده بدون برچسب استفاده می کند تا قبل از آموزش تعبیه کلمات. 3- سپس نویسندگان از زیر مجموعه ای از داده های بدون برچسب برای تنظیم دقیق تعبیه شده ها با استفاده از نظارت دور استفاده می کنند. 4- عملکرد برتر با جمع آوری چندین CNN و LSTM حاصل می شود
DataStories at SemEval-2017 Task 4: LSTM عمیق با توجه به سطح پیام و تجزیه و تحلیل احساسات مبتنی بر موضوعSemEval 20171. شبکه های حافظه کوتاه مدت (LSTM) با دو نوع مکانیسم توجه ، در بالای جاسازی های کلمه که از قبل روی مجموعه بزرگی از پیام های توییتر آموزش دیده اند ، تقویت کنید. 2. ارائه یک ابزار پردازش متن مناسب برای پیام های شبکه های اجتماعی ، که توکن سازی ، نرمال سازی کلمات ، تقسیم بندی و تصحیح هجی را انجام می دهد.
آموزش ایجاد نظرات و کشف احساساتArxiv 2017یک واحد واحد پیدا کنید که تجزیه و تحلیل احساسات را در مدل های زبان تکراری در سطح بایت انجام دهد.
بهره برداری از دانش سند برای طبقه بندی احساس در سطح جنبهACL 2018برای بهبود عملکرد طبقه بندی احساسات در سطح جنبه ، دو رویکرد انتقال دانش از داده های سطح اسناد را که به دست آوردن آنها هزینه بسیار کمتری دارد ، کاوش می کند.
یک دست کمک کننده: آموزش تجزیه و تحلیل احساسات عمیق را منتقل کنیدACL 20181. ارائه روشی برای تغذیه نشانه های عمومی در فرآیند آموزش چنین شبکه هایی ، که منجر به توانایی های تعمیم بهتر با توجه به داده های آموزشی محدود می شود. 2. پیشنهاد القای جاسازی احساسات از طریق نظارت بر داده های خارجی ، که سپس از طریق یک م dedicatedلفه اختصاصی مبتنی بر حافظه به مدل وارد می شود.
یک شبکه توجه چند منظوره برای طبقه بندی احساساتACL 2018یک شبکه توجه چند منظوره (MEAN) را پیشنهاد دهید تا با ادغام سه نوع دانش زبانی احساسات (به عنوان مثال ، واژه نامه احساسات ، کلمات نفی ، کلمات شدت) از طریق مکانیسم های توجه ، مشکل را برطرف کند.
آموزش مجدد طبقه بندی های احساس با داده های گفتگوی بدون برچسبACL 2018وظیفه طبقه بندی احساسات را برای یک سرویس تجزیه و تحلیل توییت به عنوان یک مطالعه موردی برطرف کنید و یک استراتژی پیشآموزشی را با داده های گفتگوی بدون برچسب (جفت پاسخ های توییت) از طریق مدل رمزگذار-رمزگشای پیشنهاد دهید.
تشخیص احساس ریز ریز در پست های آنلاین مرتبط با سلامتیEMNLP 2018پیشنهاد کنید انواع هیجانات ریز را از پست های مربوط به سلامتی شناسایی کنید و نشان دهید چگونه می توان از ویژگی های سطح بالا و انتزاعی مشتق شده از شبکه های عصبی عمیق همراه با ویژگی های مبتنی بر فرهنگ لغت برای تشخیص احساسات استفاده کرد.
یادگیری مشترک برای طبقه بندی احساسات و تشخیص علت احساساتEMNLP 2018یک رمزگذار مشترک استفاده کنید که از یک چارچوب واحد برای استخراج ویژگی های هر دو وظیفه فرعی و یک مربی مدل مشترک استفاده کند که به طور همزمان دو مدل را برای دو وظیفه فرعی جداگانه یاد بگیرد.
گسترش مدل گفتگوی تولیدی عصبی با استفاده از منابع دانش خارجیEMNLP 2018درج دانش خارجی در مدل گفتگوی Seq2Seq از خلاصه های ویکی پدیا و همچنین پایگاه دانش NELL.
اجازه دادن به احساسات جریان داشته باشد: پیش بینی موفقیت با مدل سازی جریان احساسات در کتاب هاNAACL 2018با استفاده از شبکه های عصبی مکرر ، جریان احساسات را روی کتاب مدلسازی کنید و میزان سودمندی آن را در پیش بینی موفقیت در کتاب کمی کنید.
شبکه حافظه مکالمه برای تشخیص احساس در فیلم های گفتگوی دوتاییNAACL 20181. یک چارچوب عصبی عمیق ، تحت عنوان شبکه حافظه مکالمه ، پیشنهاد کنید که از اطلاعات متنی از تاریخ مکالمه استفاده می کند. 2. این کار بیانات گذشته هر سخنران را به عنوان خاطره در می آورد.
تجزیه و تحلیل احساسات: پیچیده است!NAACL 20181. استدلال کنید که حذف داده های مبهم یا پر سر و صدا یک روند مشکل ساز است زیرا ، هنگام انجام طبقه بندی احساسات در زمان واقعی از متن کوتاه ، یک سیستم خودکار نمی تواند از قبل مطلع شود که کدام نمونه ها در این دسته از احساسات مورد مناقشه قرار می گیرند. 2. برای طبقه بندی چنین متنی ، مفهوم طبقه ای از احساسات “پیچیده” را پیشنهاد دهید و استدلال کنید که درج آن در چارچوب تحلیل احساسات متن کوتاه ، کیفیت سیستم های تجزیه و تحلیل احساسات خودکار را همانطور که در محیط های واقعی اجرا می شوند ، بهبود می بخشد.
زمان چقدر مهم است: یادگیری توجه به زمان ، برای درک زبان گفتاری متنی در گفتگوهاNAACL 2018انواع مختلف توجه به تحلیل رفتن زمان را در سطح جمله و سطح سخنران طراحی و بررسی می کند ، و همچنین مکانیزم توجه به انعطاف پذیری جهانی کاهش زمان را پیشنهاد می کند.
شبکه توجه دو لایه غنی از دانش برای تجزیه و تحلیل احساساتNAACL 2018یک شبکه توجه دو لایه جدید مبتنی بر حافظه کوتاه مدت دو جهته برای تجزیه و تحلیل احساسات ارائه می دهد ، که از پایگاه های دانش خارجی برای بهبود پیش بینی احساسات بهره می برد.
فراتر از اهمیت کلمه: تجزیه متنی برای استخراج فعل و انفعالات از LSTMICLR 20181. تجزیه متنی (CD) ، الگوریتمی تفسیر برای تجزیه و تحلیل پیش بینی های فردی ساخته شده توسط LSTM های استاندارد ، بدون هیچ تغییری در مدل اساسی ، معرفی کنید. 2. با تجزیه خروجی LSTM ، CD سهم ترکیب کلمات یا متغیرها را برای پیش بینی نهایی LSTM ضبط می کند.
یادگیری توزیع احساس متن از طریق شبکه عصبی چند منظوره ConvolutionalIJCAI 2018برای پرداختن به مسئله یک جمله منفرد چندین احساس با شدتهای مختلف ، این کار یادگیری توزیع احساسات را معرفی می کند و یک شبکه عصبی کانولوشن چند منظوره را برای تجزیه و تحلیل احساس متن ارائه می دهد ، که به طور همزمان وظایف پیش بینی و طبقه بندی توزیع را بهینه می کند.
شناخت احساسات در توییتر: مطالعه مقایسه ای و آموزش یک مدل UnisonIEEE TAC 20181. عملکرد چندین شبکه عصبی تکرار شونده و مبتنی بر کاراکتر را با عملکرد مدل های نمایه سازی معنایی پنهان و کلمه ای مقایسه کنید. 2. بررسی قابلیت انتقال نمایش های پنهان نهایی بین طبقه بندی های مختلف احساسات ، و اینکه آیا می توان با استفاده از یک نمایش مشترک ، یک مدل هماهنگ برای پیش بینی همه آنها ساخت؟ 3. نشان دهید که شبکه های عصبی مکرر ، به ویژه شبکه های مبتنی بر شخصیت ، می توانند نسبت به کلمات کلیدی و مدل های نمایه سازی معنایی نهفته ، بهبود یابند
تکامل تجزیه و تحلیل احساسات – مروری بر مباحث پژوهشی ، مکان ها و مقالات برتربررسی علوم کامپیوتر 20181- حدود 6996 مقاله را با كمك رايانه مرور كنيد.
SeerNet در SemEval-2018 وظیفه 1: سازگاری دامنه برای تأثیر در توییت هاSemEval 2018سیستم پیشنهادی سازگاری دامنه ای از 4 مدل مختلف را انجام می دهد و گروهی را برای پیش بینی نهایی ایجاد می کند
یادگیری عمیق برای تجزیه و تحلیل احساسات: یک نظرسنجیArxiv 2018ابتدا مروری بر یادگیری عمیق دارد و سپس یک بررسی جامع از کاربردهای فعلی آن در تحلیل احساسات ارائه می دهد.
تشخیص احساس در متن: یک بررسیArxiv 20181. کارهایی را که در شناسایی اصطلاحات عاطفه در متن انجام شده مرور کنید و استدلال کنید که اگرچه بسیاری از تکنیک ها ، روش ها و مدل ها برای شناسایی احساسات در متن ایجاد شده اند ، دلایل مختلفی وجود دارد که این روش ها را ناکافی می کند. 2. آرگوس برای بهبود طراحی و معماری سیستم های فعلی ، عواملی مانند پیچیدگی عواطف انسانی و استفاده از زبان ضمنی و استعاری در بیان آن ، نیاز اساسی دارد ، ما را به این فکر می اندازد که فقط یک هدف جدید روش ها برای درک این پیچیدگی ها کافی نخواهند بود و توجه به پیچیدگی های زبانی بیان احساسات مهم است.
رویکرد مبتنی بر احساس و معناشناسی برای تشخیص احساس در مکالمات متنیArxiv 20181. با استفاده از یک مدل یادگیری عمیق مبتنی بر LSTM ، یک روش جدید برای تشخیص احساساتی مانند شاد ، غمگین یا عصبانی در مکالمات متنی پیشنهاد کنید. 2. تعبیه های معنایی و احساسی را با هم ترکیب کنید
DialogueRNN: RNN توجه برای تشخیص احساس در مکالماتAAAI 2019روش جدیدی را مبتنی بر شبکه های عصبی مکرر معرفی کنید که وضعیت های جداگانه طرف را در طول مکالمه ردیابی می کند و از این اطلاعات برای طبقه بندی احساسات استفاده می کند
مدلسازی پویای هیجان و تشخیص ناهنجاری در مکالمه بر اساس سنسور انتقال عاطفیFusion Information 2019یک مدل ترکیبی را ارائه می دهد که ترکیبی از شبکه عصبی کانولوشن حافظه کوتاه مدت (CNN-LSTM) با روش مارکت زنجیره ای Monte Carlo (MCMC) است تا احساسات کاربران را شناسایی کند ، از انتقال عاطفی کاربران استفاده کند و ناهنجاری ها را با توجه به سنسور انتقال تشخیص دهد.

Leave a Reply

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *