情感嵌入——从异构情感数据集中学习稳定且同质的抽象表示
机器学习
2023-08-16 v1 人工智能
计算与语言
计算机视觉与模式识别
摘要
人类情感在许多交流模态和媒体格式中表达，因此其计算研究同样分散于自然语言处理、音频信号分析、计算机视觉等领域。类似地，以往研究中用于描述情感的大量表示格式（极性量表、基本情绪类别、维度方法、评价理论等）导致了用于情感分析的数据集、预测模型和软件工具不断增殖的多样性。由于这两种不同类型的异构性——表达层面与表示层面——迫切需要将以往在日益分化的数据与标签类型上的工作统一起来。本文提出了这样一种统一的计算模型。我们提出了一种训练过程，学习情感的共享潜在表示，即所谓的情感嵌入（emotion embeddings），其独立于不同的自然语言、交流模态、媒体或表示标签格式，甚至不同的模型架构。在广泛异构情感数据集上的实验表明，该方法在不损害预测质量的前提下，为可重用性、可解释性和灵活性带来了所需的互操作性。代码与数据存档于 https://doi.org/10.5281/zenodo.7405327 。
引用
@article{arxiv.2308.07871,
title = {Emotion Embeddings $\unicode{x2014}$ Learning Stable and Homogeneous Abstractions from Heterogeneous Affective Datasets},
author = {Sven Buechel and Udo Hahn},
journal= {arXiv preprint arXiv:2308.07871},
year = {2023}
}
备注
18 pages, 6 figures