情感原因识别相关论文整理

qianqiangediaoLM

于 2023-03-16 16:05:37 发布

阅读量825

点赞数

分类专栏：知识增强情感原因文章标签：深度学习自然语言处理

本文链接：https://blog.csdn.net/qianqiangediaoLM/article/details/129546260

版权

Papers on Emotion Cause Analysis

1. Task & Dataset

[1] (2010, ACL) Emotion Cause Events: Corpus Construction and Analysis (pdf)

情绪处理一直是一个巨大的挑战。鉴于情绪是由原因事件触发的，原因事件是情绪的组成部分，本文构建了中文情绪原因语料库，作为自动推理原因-情绪关联的第一步。主体集中在五种主要的情绪，即快乐，悲伤，恐惧，愤怒和惊讶。基于我们提出的标注方案，对情绪原因事件进行标注。语料库数据显示，大多数情绪都是用cause来表达的，而且cause多出现在相应的情绪动词之前。我们还从语言线索方面考察了情绪和原因事件之间的相关性:使役动词、知觉动词、认知标记、连词、介词和其他。结果表明，在不同的情感建构结构中，每组语言线索都可以作为导致事件的标志。我们相信，情感原因语料库将为情感原因自动检测以及情感检测与分类提供有用的资源。

[2] (2013, NTCIR) Overview of NTCIR-13 ECA Task. (pdf)

本文概述了NTCIR-13情绪原因分析(ECA)任务。本任务旨在评估情绪原因分析技术，该技术可以自动判断句中是否包含情绪表达的原因。与常规的情绪分析或情绪分类的评估任务不同，该评估任务侧重于探索激发情绪的原因。为了支持这一评估，对文本进行了手工标注情感类别和情感原因，构建了遵循W3C情感标记语言的情感原因语料库。我们设计了两个子任务:情绪原因检测子任务，用于识别与情绪表达相对应的包含情绪原因的子句。情绪原因提取子任务是用来评估情绪原因精确边界的检测技术。本次任务共有11个团队参与，最终中方提交了3个情绪原因检测子任务的有效结果。评价结果显示，排名第一的系统f得分达到66.5%。

[3] (2014, ESWA) Text-based Emotion Classification Using Emotion Cause Extraction. Expert Systems with Applications. (pdf)

近年来，社交网络对人们观点和决策的影响越来越大，引起了人们的广泛关注。微博是最受欢迎的社交网络应用之一，人们可以在微博上分享想法，讨论各种话题，微博被视为观点和情感数据的丰富资源。在本文中，我们提出并实现了一种新的微博帖子情感识别方法。与传统方法主要基于统计学的方法不同，我们试图通过引入其他领域的知识和理论，如社会学，来推断和提取情绪的原因。基于触发原因事件是情感的重要组成部分这一理论，将情感原因提取技术作为提高特征提取质量的关键环节。首先，在充分分析样本数据的基础上，构建了一个基于规则的自动系统，用于检测和提取每个情绪帖子的原因事件。我们用人工标注的中文微博构建了一个情感语料库。然后训练分类器根据提取的原因事件对微博中的情绪进行分类。我们系统的总体性能是很有希望的。实验结果表明，该方法能够有效地选择信息特征。我们的系统在大多数情况下都明显优于基线，显示出其巨大的潜力。这一探索为研究情绪分类任务提供了一种新的思路，并为今后的文本情绪处理研究奠定了基础。

[4]. (2014, WASSA) Semantic Role Labeling of Emotions in Tweets S Mohammad.（pdf, data）

过去关于情绪处理的研究只专注于检测情绪，而忽略了诸如“谁在感受情绪(体验者)?”以及“情感(刺激)指向谁?”我们自动编译了一个与2012年美国总统大选有关的大型推文数据集，并对其进行了注释，不仅针对情绪，还针对体验者和刺激者。然后，我们开发了一个用于检测情绪的分类器，在八种分类任务中获得56.84的准确性。最后，我们展示了如何将刺激识别任务也构建为分类任务，从而获得58.30的f分。

[5]. (2015, CICLing) Detecting Emotion Stimuli in Emotion-Bearing Sentences. [pdf] [data]

情感作为人类体验的一个部分，长期以来一直为社会科学和行为科学所关注。它也是计算语言学中多学科研究的主题。情感识别是情感分析领域的研究重点，主要是对被表达的情感进行识别。一个相关的挑战性问题，为什么体验者觉得这种情绪，迄今为止，很少受到关注。这项任务很困难，而且没有带注释的英语资源。. FrameNet refers to the person, event or state of affairs which evokes the emotional response in the experiencer as emotion stimulus. 我们使用FrameNet的情感导向框架自动构建一个带有情感和刺激注解的数据集。我们通过信息提取来解决这个问题:我们建立了一个crf learner，等量学习模型来检测情绪句子中的情绪刺激跨度。我们表明，我们的模型显著优于所有的基线。

[6]. (2017, ACM TALLIP) Emotion Cause Extraction, A Challenging Task with Corpus Construction. [pdf] [data]

在本文中，我们提出了一种新的具有挑战性的情感分析任务——情感原因提取。在这个任务中，我们不需要识别文本的情感类别或情感成分。我们关注的是情绪的起因，也就是情绪的原因或刺激因素。由于没有可用的开放数据集，缺乏注释资源限制了这一领域的研究。因此，我们首先使用新浪城市新闻构建了一个带有注释的数据集，该数据集遵循W3C情感标记语言的方案。然后，我们提出了一种使用事件提取的情绪原因检测方法，其中使用一热表示方法来表示文本中的事件。由于传统的事件表示方法没有考虑事件引起的情感类别，我们对事件的定义进行了更合理的改进。即使训练集有限，我们仍然可以提取足够的特征进行分析。评估表明，我们的方法比其他报道的方法获得了7.68%的高f测度。我们的工作贡献包括资源和算法开发。

[7]. (2017, ACM Trans) An Emotion Cause Corpus for Chinese Microblogs with Multiple-User Structures.[pdf]

情绪分析中一个非常具有挑战性的问题是认识情绪的原因。虽然已经有一些关于情绪原因检测的研究，但大多数研究都是在新闻报道中进行的，或者其中一些研究专注于单一用户结构的微博(即，微博中的所有文本都是由同一用户撰写的)。在本文中，我们主要研究了基于多用户结构的中文微博情感原因检测问题(即一条微博中的文本是由几个用户连续书写的)。首先，基于在多用户结构的微博中，关注用户的情绪原因可能由其他用户提供的事实，我们设计了一种可以处理这种复杂情况的情绪原因标注方案，然后利用该标注方案提供了一个情绪原因语料库。其次，在分析情绪原因语料库的基础上，形式化了微博的两种情绪原因检测任务(基于当前子推文的情绪原因检测和基于原子推文的情绪原因检测)。此外，为了检验两种情绪原因检测任务的难度以及不同用户在多用户结构的微博中所写文本的贡献，我们选择了两种流行的分类方法(SVM和LSTM)进行情绪原因检测。我们的实验表明，基于当前子推文的情绪原因检测比基于原始子推文的情绪原因检测要困难得多，不同用户编写的文本对这两种情绪原因检测任务都很有帮助。本研究采用一种复杂结构的中文微博情感原因检测方法进行了初步研究

[8]. (2018. COLING) Who Feels What and Why? Annotation of a Literature Corpus with Semantic Roles of Emotion. [pdf] [data]

小说文本情感分析的大部分方法都侧重于发现文本中所表达的情感。我们认为这是一种简化，导致了对结果的过度概括的解释，因为它没有考虑到谁经历了一种情绪以及为什么。情感在角色之间的互动 和他们所参与的事件中起着至关重要的作用。直到今天，还没有专门的语料库来捕捉这种相互作用。我们的目标是填补这一空白，并提供一个基于Project Gutenberg, REMAN (Relational EMotion ANnotation) 项目的公开可用语料库，REMAN (关系情感注释)，手动注释对应于情感触发短语和体验者、目标和情感原因角色中的实体/事件。我们为这些关系结构的自动预测提供了基线结果，并表明情绪词汇不能包含情绪表达的高度可变性，并证明统计模型受益于情绪及其在所有子任务中的角色 的联合建模。我们提供的语料库为今后研究文本中情感和相关实体的识别提供了基础。它支持定性文学研究和数字人文学科。该语料库可在http://www.ims.uni-stuttgart.de/data/reman 上获得。