基于潜变量链变换的多标签情感分类 Seq2Emo 模型
计算与语言
2019-11-11 v2 机器学习
摘要
文本中的情感检测是自然语言处理中的一项重要任务，并且在许多应用中必不可少。现有大多数方法将该任务视为单标签多类文本分类问题。为对单个实例预测多种情感，现有工作大多将其视为一般的多标签分类（MLC）问题，通常要么在其神经网络模型最后输出层上应用人工确定的阈值，要么训练多个二分类器并以一对多方式预测。然而，与一般 MLC 数据集中的标签相比，情感类别的数量少得多（少于 10 个）。此外，情感之间往往具有更多相关性。例如，人类通常不会同时表达“喜悦”和“愤怒”，但很可能在表达“喜悦”的同时表达“爱”。基于这一直觉，本文提出一种潜变量链（LVC）变换以及一个定制模型——Seq2Emo 模型，其不仅自然地预测多个情感标签，还考虑了它们之间的相关性。我们在已有的多标签情感数据集以及我们新收集的数据集上进行了实验。结果表明，我们的模型优于现有的最先进方法。
引用
@article{arxiv.1911.02147,
title = {Seq2Emo for Multi-label Emotion Classification Based on Latent Variable Chains Transformation},
author = {Chenyang Huang and Amine Trabelsi and Xuebin Qin and Nawshad Farruque and Osmar R. Zaïane},
journal= {arXiv preprint arXiv:1911.02147},
year = {2019}
}
备注
10 pages, 2 figures, 5 tables