本文介绍了DeepEmo，一种基于图论的情感分析框架，其结合了基本模式提取、富集模式和pf-ief评分机制。论文表明DeepEmo在F1-score上表现出色，且富集模式具有高领域适用性。尽管深度学习不总是优于传统方法，DeepEmo的优异性能主要归功于富集模式。当前，DeepEmo的挑战在于小规模数据集，扩大数据集规模可能是提升性能的关键。
来自台湾国立清华大学的Elvis Saravia等研究人员提出了一种基于图论(graph-based)的机制来提取丰富情感(rich-emotion)的相关模式(pattern)，用来加强对语料库的线上情感表达进行深入分析。论文实验结果表明，所提出的情感分析框架DeepEmo比目前大多数的情感分析框架的F1-score都要高（仅次于Volvoka(2016)），而且其提出的富集模式(enriched patterns)也被证实了具有很高的领域适用性。
首先我们先通过思维导图来简要了解下这篇DeepEmo论文的整体结构：
WHAT
情感分析框架DeepEmo是什么？
DeepEmo论文提出了三种方法论，分别是：
(1) 基于图论的基本模式提取方法；
(2) 利用词嵌入的基本模式丰富方法-富集模式(enriched patterns)；
(3) 对tf-idf(词频-逆文件频率)进行修改的pf- ief(模式频率 - 逆情感频率)评分机制；
最低0.47元/天 解锁文章
扫一扫
720
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
