扩张量化网络：一种高效的微情感标注与检测框架
计算与语言
2025-11-25 v3 人工智能
计算机视觉与模式识别
人机交互
机器学习
摘要
文本情感检测构成了推动人工智能从基础理解迈向情感推理探索的关键基础。大多数现有情感检测数据集依赖人工标注，存在高成本、主观性强和标签不平衡等问题。这在微情感标注不足、缺乏情感强度表征方面尤为突出，无法捕捉句子中蕴含的丰富情感，进而影响下游任务的完成质量。通过提出一种包含所有标签且基于训练集标签回归的方法，将标签值映射到能量强度水平，从而充分利用机器学习模型的学习能力以及标签之间的相互依赖性，以发现样本中的多重情感。由此构建了用于微情感检测与标注的情感量化网络（EQN）框架。我们在五个常用情感数据集上进行比较实验，验证了该框架在 NLP 机器学习模型中的广泛适用性。基于 EQN 框架，对 GoEmotions 数据集进行情感检测与标注。与来自 Google 文献的结果相比，EQN 框架在自动检测与标注微情感方面具有高度的检测能力。EQN 框架首次实现了带能量水平分数的自动化微情感标注，为进一步的情感检测分析和情感计算的量化研究提供了强大支持。
引用
@article{arxiv.2411.06160,
title = {Expansion Quantization Network: An Efficient Micro-emotion Annotation and Detection Framework},
author = {Jingyi Zhou and Senlin Luo and Haofan Chen},
journal= {arXiv preprint arXiv:2411.06160},
year = {2025}
}
备注
3.1 There is a misstatement in the EQN Framework section