面向情感识别的连续对抗文本表示学习
计算与语言
2025-03-03 v1 人工智能
摘要
尽管预训练语言模型在语义理解方面表现出色，但它们往往难以捕捉情感识别任务中至关重要的细腻情感信息。为了解决这些局限性，我们提出了一个新框架，以增强基于 Transformer 的模型中的情感感知嵌入。我们的方法引入了连续的效价-唤醒度标注系统来指导对比学习，从而更有效地捕捉细微且多维的情感差异。此外，我们采用动态 token 扰动机制，利用基于梯度的显著性来聚焦于与情感相关的 token，提高了模型对情感线索的敏感性。实验结果表明，所提出的框架优于现有方法，在情感分类基准上实现了高达 15.5% 的提升，突显了采用连续标签的重要性。这一提升表明所提出的框架在情感表示学习方面是有效的，并能够实现精确且结合上下文的情感理解。
引用
@article{arxiv.2502.20613,
title = {Continuous Adversarial Text Representation Learning for Affective Recognition},
author = {Seungah Son and Andrez Saurez and Dongsoo Har},
journal= {arXiv preprint arXiv:2502.20613},
year = {2025}
}
备注
6 pages, 3 figures, The 7th International Conference on Artificial Intelligence in Information and Communication (ICAIIC 2025)