在代码混合文本中预测多标签的表情符号,情绪和情绪,使用emojifying情绪框架
Gopendra Vikram Singh1, Soumitra Ghosh2, Mauajama Firdaus3
1Department of Computer Science and Engineering, Indian Institute of Technology Patna, Patna, 801103, India. gopendra.99@gmail.com.
本研究引入了一项新的任务和数据集,用于预测代码混合社交媒体文本中的多个表情符号. 多任务框架有效地将情绪,情感和表情符号预测联系起来,以获得更好的在线沟通工具.
科学领域:
- 自然语言处理自然语言处理.
- 计算语言学 计算语言学
- 社交媒体分析 社交媒体分析
背景情况:
- 在线通信越来越多地使用表情符号和代码混合语言 (例如,英语-印度语).
- 准确地将表情符号与代码混合文本的情感和情感相匹配是一项挑战.
- 在这种情况下,现有的数据集和方法可能无法完全解决多emoji预测.
研究的目的:
- 介绍一个新的任务,即预测英语-印度语代码混合句子的多个表情符号.
- 提出并发布SENTIMOJI数据集,这是SemEval 2020第9项任务SentiMix的扩展.
- 开发和评估一个端到端的框架,利用情感,情感和表情符号之间的关系.
主要方法:
- 开发了一种使用修改过的变压器编码器 (线性转换,RMS层规范) 的多任务学习框架.
- 集成的门式线性单元和完全连接的层,用于共同预测表情符号,情绪和情绪.
- 创建并使用SENTIMOJI数据集进行培训和评估.
主要成果:
- 建议的多任务框架在SENTIMOJI数据集上显著优于单任务方法.
- 在代码混合文本中展示了情感,情感和表情符号使用之间的强烈相关性.
- 证实了情感和情感识别有助于准确的多emoji预测.
结论:
- 这项研究确定了多任务方法在代码混合语言中对表情符号预测的有效性.
- 突出了语言情感/情感和表情符号选择之间的内在联系.
- 在多语言在线通信中为NLP工具的情感分析和情感识别做出了贡献.
更多相关视频
07:12Protocol for Data Collection and Analysis Applied to Automated Facial Expression Analysis Technology and Temporal Analysis for Sensory Evaluation
Published on: August 26, 2016
05:51Exploring the Use of Isolated Expressions and Film Clips to Evaluate Emotion Recognition by People with Traumatic Brain Injury
Published on: May 15, 2016
相关概念视频
Labeling Emotion
Facial Feedback Hypothesis
Cognitive Theories: Schachter-Singer Theory of Emotion
Physiological Arousal and Cognitive Labeling
According to this theory, when an individual experiences...
Emotional Expression
Universal Facial Expressions
Psychologist Paul Ekman identified seven basic...
Empathy
Motional Emf
