【论文泛读185】考虑情绪成分过程模型的情绪识别

本文链接：https://blog.csdn.net/qq_41485273/article/details/119274003

本文探讨了Scherer的CPM模型在情感分析中的作用，通过对Twitter和文学语料库的情感成分注释，发现将CPM纳入多任务学习模型可以提升情感分类效果。文中提出首个带有情感成分注释的数据集，并建议未来工作探索不同领域的情感成分共享以改进分类性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

贴一下汇总贴：论文阅读记录

论文链接：《Emotion Recognition under Consideration of the Emotion Component Process Model》

一、摘要

文本中的情感分类通常使用神经网络模型执行，该模型学习将语言单元与情感联系起来。虽然这通常会带来良好的预测性能，但它只能在有限程度上帮助理解情绪在各个领域的交流方式。Scherer (2005) 的情感成分过程模型 (CPM) 是一种解释情感交流的有趣方法。它指出情绪是各种子成分对事件的反应的协调过程，即主观感觉、认知评价、表达、生理身体反应和动机行为倾向。我们假设这些成分与语言认识有关：可以通过描述生理反应（“他在颤抖”）来表达情绪，或表达（“她笑了”）等。我们用情感成分类注释现有文献和 Twitter 情感语料库，发现 Twitter 上的情感主要通过事件描述或感觉的主观报告来表达，而在文学中，作者更喜欢描述人物的行为，把解释留给读者。我们进一步将 CPM 包含在多任务学习模型中，并发现这支持情绪分类。带注释的语料库可在并将解释留给读者。我们进一步将 CPM 包含在多任务学习模型中，并发现这支持情绪分类。带注释的语料库可在并将解释留给读者。我们进一步将 CPM 包含在多任务学习模型中，并发现这支持情绪分类。带注释的语料库可在：github。