基于半监督学习的块分割向量用于唤醒度预测
计算与语言
2022-04-12 v1
摘要
为处理计算机应用中的情感表达，Russell 的圆周模型已用于根据效价和唤醒度表示情感。在 SentiWordNet 中，效价水平使用半监督学习自动分配给大量同义词集（WordNet 中的同义词组）。然而，在为 SentiWordNet 提出的现有唤醒度水平分配方法降低了情感预测的准确率。在本文中，我们提出一种块分割向量，用于使用半监督学习从少量标注词预测许多同义词集的唤醒度水平。我们通过将其与效价词的分布进行比较，分析句子语料库中唤醒词和非唤醒词的分布。我们解决了在某些句子中唤醒词和非唤醒词混合在一起时唤醒度水平预测失败的问题。为捕捉此类唤醒词和非唤醒词的特征，我们基于按块 ID 的倒排索引生成词向量，其中语料库在句子流中被划分为块。在评估实验中，我们表明使用块分割向量的唤醒度预测结果优于 SentiWordNet 中先前方法的结果。
引用
@article{arxiv.2204.05096,
title = {Block-Segmentation Vectors for Arousal Prediction using Semi-supervised Learning},
author = {Yuki Odaka and Ken Kaneiwa},
journal= {arXiv preprint arXiv:2204.05096},
year = {2022}
}