EmoDNN：通过深度神经网络集成从短文本理解情感
机器学习
2021-06-04 v1 计算与语言
信息检索
社会与信息网络
摘要
个体经由社交网络表达的情感与观点中所蕴含的潜在知识，对包括社会管理、动态过程与公共安全在内的众多应用至关重要。情感计算作为联结人工智能与认知推理的交叉研究领域，能够从简短内容中挖掘面向情感的知识。文本内容传达了关于相应作者的隐藏信息（如个性与认知），这些信息可决定用户间的相关性与差异。从简短内容中识别情感应当包容作者间的对比，其中个性与认知的差异可在情感表达中被追溯。为应对此挑战，我们设计了一个框架：一方面从简短内容推断潜在个体特征，另一方面提出一种配备动态 dropout 卷积网络的新型集成分类器，以从文本语境中提取情感。为对短文本内容分类，我们提出的方法联合利用认知因素并挖掘隐藏信息。我们在一种新颖的嵌入模型中使用输出向量，以培育由词典归纳集体组装的情感相关特征。实验结果表明，与其他对比方法相比，我们提出的模型在从含噪内容中识别情感方面取得了更优性能。
引用
@article{arxiv.2106.01706,
title = {EmoDNN: Understanding emotions from short texts through a deep neural network ensemble},
author = {Sara Kamran and Raziyeh Zall and Mohammad Reza Kangavari and Saeid Hosseini and Sana Rahmani and Wen Hua},
journal= {arXiv preprint arXiv:2106.01706},
year = {2021}
}