DialogueRNN: An Attentive RNN for Emotion Detection in Conversations论文笔记

最新推荐文章于 2024-10-30 20:33:17 发布
最新推荐文章于 2024-10-30 20:33:17 发布
阅读量369 收藏
点赞数
分类专栏： 学习笔记 文章标签： 深度学习 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hireath_/article/details/124117836
版权

Majumder N, Poria S, Hazarika D, et al. Dialoguernn: An attentive rnn for emotion detection in conversations[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2019, 33(01): 6818-6825.

解决的问题

论文原文： Currently systems do not treat the parties in the conversation individually by adapting to the speaker of each utterance.

在这篇论文之前很多dialogue emotion detection是不考虑对话中的角色问题的，这篇论文将对话角色信息包含进去，进行emotion detection。建模了individual parties & party states.
从3个方面建模：

  • speaker
  • context(preceding utterance)
  • emotion(preceding utterance)

解决方法

模型结构
Global-GRU获取的是一个全局的信息（speaker state + utterance）
speaker state是由Party-GRU生成的，Party-G

最低0.47元/天 解锁文章
MoonBlue:)
关注
专栏目录
DASNet: Dual attentive fully convolutional siamese networks for change detection in high-resolution
向上生长的程序媛的博客
01-11 2159
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么？ 二、使用步骤 1.引入库 2.读入数据 总结 摘要 《用于高分辨率卫星图像变化检测的双重注意完全卷积孪生网络》 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 一、pandas是什么？ 示例：pandas 是基于Num...
TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation论文阅读笔记
Andre_Jan的博客
04-24 650
考虑到目标项目的多样性和用户的兴趣，固定向量会限制推荐模型的表示能力。 - 提出了一种新的目标注意力图神经网络 (TAGNN) 模型，用于基于会话的推荐。 - 在 TAGNN 中，目标感知注意力自适应地激活不同用户对不同目标项目的兴趣。 - 学习到的兴趣表示向量随着目标项目的不同而变化，极大地提高了模型的表达能力。 - TAGNN 利用图神经网络来捕获会话中丰富的项目转换
NLP论文小班学习笔记3
Genial_Rong的博客
02-10 1032
NLP论文小班学习笔记3论文学习1. DialogueRNN: An Attentive RNN for Emotion Detection in Conversations2. CEM: Commonsense-aware Empathetic Response Generation代码实现：1. 实现encoder-decoder，重点是cross attention2. 调试代码 2022-02-08~2022-02-15 论文学习 1. DialogueRNN: An Attentive
论文翻译/笔记--DialogueRNN: An Attentive RNN for Emotion Detection in Conversations
qq_41166278的博客
10-08 1487
摘要 对话中的情感检测是许多应用的必要步骤，包括对聊天历史的 意见挖掘、社交媒体线程、辩论、论证挖掘、了解实时对话中的消费者反馈等。 目前，系统不会通过适应每个话语的说话者来单独对待谈话中的当事人。 在本文中，我们描述了一种基于递归神经网络的新方法，它在整个对话过程中跟踪独立当事人（individual party）的状态，并将这些信息用于情感分类。 我们的模型在两个不同的数据集上的性能远远超过了最先进的水平。 介绍 目前的系统，包括最先进的系统(Hazarika 等人）。 在谈话中不以有意义的方式区分不同
论文阅读--DialogueRNN : An Attentive RNN for Emotion Detection in Conversations
qishengmoming的博客
01-16 1437
DialogueRNN An Attentive RNN for Emotion Detection in Conversations Navonil Majumder, Soujanya Poria, Devamanyu Hazarika, Rada Mihalcea, Alexander F. Gelbukh, Erik Cambria:DialogueRNN: An Attentive RNN for Emotion Detection in Conversations. AAAI 2019: 681
对话场景下情感识别研究综述（Emotion Recognition in Conversation）
BshoterJ的博客
10-22 7573
对话场景下的情感分析综述
AAAI-19录用论文清单
热门推荐
TomRen
01-28 1万+
AAAI-19于1月27日在夏威夷召开，今年是33届会议。 会议录用论文清单, workshop16个，tutorials24个。 标题的词云分析： 作者单位词云(按作者人数计算/一篇文章可能有多个作者)： picture from lonelyplanet.com 下面给出接收论文的列表： 第一个数字表示投稿的序号&内容可能有缺失 9: CircConv: A S...
DialogueGCN论文翻译
永远的小白虾的博客
02-09 2965
对话GCN：对话中情感识别的图卷积神经网络 绪论 会话中的情感识别（ERC）最近受到了研究者的广泛关注，因为它在医疗，教育和人力资源等各个领域都有潜在的广泛应用。 在本文中，我们介绍了对话图卷积网络（DialogueGCN），这是一种基于图神经网络的ERC方法。 我们利用对话者的自我和说话者之间的依存关系来为情感识别建模会话上下文。 通过图网络，DialogueGCN解决了当前基于RNN的方法中存...
论文阅读--Modeling both Intra-and Inter-modal Influence for Real-Time Emotion Detection in Conversations
qishengmoming的博客
01-17 379
Modeling both Intra- and Inter-modal Influence for Real-Time Emotion Detection in Conversations Dong Zhang, Weisheng Zhang, Shoushan Li, Qiaoming Zhu, Guodong Zhou:Modeling both Intra- and Inter-modal Influence for Real-Time Emotion Detection in Conversati
论文阅读：SoPhie: An Attentive GAN for Predicting Paths Compliant to Social and Physical Constraints
hbhhhxs的专栏
05-15 2081
苏菲:一个专注于预测符合社会和物理约束的路径的GAN 论文链接：https://arxiv.org/pdf/1806.01482.pdf 摘要：本文讨论了场景中多个交互代理的路径预测问题，这是许多自动驾驶平台（如自动驾驶汽车和社交机器人）的关键步骤。我们介绍SoPhie;基于生成对抗网络（GAN）的可解释框架，其利用场景的图像来利用两个信息源，场景中所有代理的路径历史以及场景上下文信息。要预测...
论文笔记：NAIS: Neural Attentive Item Similarity Model for Recommendation
qq_35771020的博客
05-14 1512
一、基本信息 论文题目：《NAIS: Neural Attentive Item Similarity Model for Recommendation》 发表时间：IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, VOL. 30, NO. 12, DECEMBER 2018 论文作者： 二、摘要 项目对项目协同过滤（又称...
Python 使用 LSTM 进行情感分析：处理文本序列数据的指南
chusheng1840的博客
10-29 1346
LSTM（Long Short-Term Memory）是一种特殊的循环神经网络（RNN），其结构设计使其能够“记住”较长的序列信息。传统 RNN 在处理长序列数据时容易出现“梯度消失”或“梯度爆炸”的问题，而 LSTM 引入了“遗忘门”、“输入门”和“输出门”结构，使其能够在较长的时间跨度内保持记忆。情感分析是一种自然语言处理（NLP）技术，用于分析文本中表达的情绪。通过情感分析，我们可以将一段文本标记为正面、负面或中性等类别。
深度学习之激活函数
最新发布
weixin_43775295的博客
10-30 1080
PiexpθiTx∑k1KexpθiTxPi∑k1K​expθiT​xexpθiT​x​​ 其中，$ \theta_i $ 和 $ x $ 是列向量，$ \theta_i^T x $ 可能被换成函数关于 $ x $ 的函数 $ f_i(x) $​ 通过 softmax 函数，可以使得 $ P(i) $ 的范围在 $ [0,1] $ 之间。
引入了窥视孔连接（peephole connections）的LSTM
m0_73640344的博客
10-29 614
通过引入窥视孔连接，LSTM能够更加精确地控制信息流，因为每个门都可以根据细胞状态的即时值进行调整。这种设计不仅增强了模型的性能，尤其是在需要精细控制内部状态记忆的应用中，如复杂的序列预测和模式识别任务，也提高了决策过程的透明度和直观性。
深入探索：深度学习在时间序列预测中的强大应用与实现
平凡程序猿~的博客
10-28 3437
随着深度学习的快速发展，循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、卷积神经网络（CNN）以及Transformer模型逐步应用到时间序列分析中，并取得了较好的结果。下面将详细介绍这些模型的原理、优势、不足以及实际应用中的代码示例。
深度学习：梯度下降算法简介
m0_73640344的博客
10-29 1271
在深度学习的训练过程中，梯度下降算法（Gradient Descent，简称GD）扮演着至关重要的角色。这一算法的核心机制是利用数据集的梯度信息来迭代更新模型参数，以最小化损失函数。接下来，我们将详细讨论其各种变体和进化。1. 随机梯度下降（SGD）由于全批量的梯度下降在面对大规模数据集时会受到内存限制和迭代速度的制约，学者们提出了随机梯度下降（Stochastic Gradient Descent，SGD）。这种方法每次迭代仅使用数据集中的一个小批量样本来计算梯度和更新参数。
【征程 6 工具链性能分析与优化-1】编译器预估 perf 解读与性能分析
地平线开发者
10-30 938
这篇文章中，我们将首先介绍layerdetails中的参数信息，然后将结合实例分析如何利用layerdetails来分析模型的性能瓶颈，进而对模型的性能进行优化。
【深度学习】用LSTM写诗，生成式的方式写诗系列之一
weixin_40293999的博客
10-30 271
先训练了100轮次，后面应该还能增长，但是不等了。
从0开始深度学习（23）——图像卷积
立志成为炼丹师？
10-29 1232
上节了解了卷积层的原理，本节以图像为例，介绍一下它的实际应用。
细致卷积神经网络：超越RNN的NLP表现
在《学界—细致卷积1》这篇文章中，作者Wenpeng Yin和Hinrich Schutze等人探讨了卷积神经网络（CNN）在自然语言...这篇论文不仅揭示了CNN与RNN注意力机制的新见解，还为NLP领域的模型设计提供了一个重要的实践案例。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值