面向网络智能应用的领域特定情感模型自动扩展
信息检索
2021-02-02 v1 机器学习
摘要
Sentic 计算依赖于定义良好的不同复杂度的情感模型——例如用以区分正负面情感的极性，或更精细地捕捉人类情感表达的模型。当用于衡量传播成效时，即便最细粒度的情感模型结合复杂的机器学习方法，也可能无法完全捕捉组织的战略定位目标。此类目标常偏离标准化情感模型的假设。尽管喜悦与信任等特定情感通常代表理想的品牌关联，营销人员制定的具体传播目标往往超越此类标准维度。例如，某电视节目的品牌经理可能将恐惧或悲伤视为受众的理想情感。本文引入情感模型的扩展技术，将知识图谱中可用的常识与通用知识同语言模型及情感推理相结合，提升覆盖度与一致性，并支持对情感的领域特定解读。一项广泛评估比较了不同扩展技术的性能：（i）基于 revisited Hourglass of Emotions 模型的定量评估，以在涵盖多情感类别的复杂模型上借助人工编撰的金标准数据评估性能；（ii）针对电视节目品牌的领域特定情感模型的定性评估。这些评估结果表明，所引入的技术支持多种嵌入与预训练模型。本文最后讨论了将该方法应用于其他情感模型资源稀缺场景的思路。
引用
@article{arxiv.2102.00827,
title = {Automatic Expansion of Domain-Specific Affective Models for Web Intelligence Applications},
author = {Albert Weichselbraun and Jakob Steixner and Adrian M. P. Braşoveanu and Arno Scharl and Max Göbel and Lyndon J. B. Nixon},
journal= {arXiv preprint arXiv:2102.00827},
year = {2021}
}
备注
see also https://link.springer.com/article/10.1007/s12559-021-09839-4