《论文阅读》Affect-LM: A Neural Language Model for Customizable Affective Text Generation

已于 2023-02-11 18:29:24 修改
阅读量270 收藏
点赞数
分类专栏： NLP 文章标签： 论文阅读 语言模型 深度学习
于 2022-09-12 21:21:12 首次发布
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/qq_44833392/article/details/126823066
版权
NLP 专栏收录该内容
88 篇文章 44 订阅 ¥29.90 ¥99.00
订阅专栏

《论文阅读》Affect-LM: A Neural Language Model for Customizable Affective Text Generation

期刊：ACL2017

类型：情感对话

特点：通过情感词汇+情感强度来生成不同程度的情感回复

本文带来Sayan Ghosh、Mathieu Chollet、 Eugene Laksana、Louis-Philippe Morency和Stefan Scherer共同创作的文章

简介

人类的言语交际包括情感信息，它是通过使用带有情感色彩的词语来传达的。在这方面已经有了很多研究，但如何将最先进的神经语言模型与情感信息相结合仍然是一个有待探索的领域。在本文中，我们将其扩展到LSTM (Long - term - Memory)语言模型，在情感类别为条件的基础上生成会话文本。我们提出的模型，Affect-LM能够让我们通过附加的设计参数来定制生成句子中情感内容的程度。使用Amazon Mechanical Turk进行的感知研究表明，AffectLM在不牺牲语法正确性的情况下生成了看起来自

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
How-Colors-Affect-Resale-Values:追踪Delta E配色的84双阿迪达斯Yeezy运动鞋的配色，以了解彼此之间的距离
05-09
颜色如何影响转售价值 “转售数据并可视化了颜色群集图” 颜色如何影响转售价值是一个个人项目，我根据自己的兴趣尝试了数据驱动的交互式探索。 从我使用数据可视化和数据科学工具了解用户行为开始，到业余时间开始...
Affect-LM: A Neural Language Model for Customizable Affective Text Generation
you_jinpeng的博客
11-04 583
β表示情感强度，可以从0（中性，基线模型）到β=∞（生成的句子只由情感色彩的单词组成，没有语法结构） et−1e_{t-1}et−1​表示从上文学到的词向量，g(et−1e_{t-1}et−1​)表示属于哪种情感,例[1,0,1,1,0] ViTV{^T_i}ViT​表示第i个词和g(et−1e_{t-1}et−1​)的相似度，g(et−1e_{t-1}et−1​) * ViTV{^T_i}ViT...
特定主题或特定情感下的文本生成
渐渐遗忘的记忆
05-24 2034
特定主题或特定情感下的文本生成 1. Topic Aware Neural Response Generation(2017) 提出了TA-Seq2Seq模型。 其中TwitterLDA很有用，它是短文本最优的主题模型。TwitterLDA假设：每一条信息只于一个主题有关，信息中的每个词要么是背景词要么是这条信息下的主题词。 联合注意力机制： Message attention：最后融合成上下...
ACL 2017 录用论文整理（长文）
Q_S_Y_Q的博客
06-06 3811
ACL 2017 录用论文整理（长文） https://chairs-blog.acl2017.org/2017/04/05/accepted-papers-and-demonstrations/ 论文集现在还不能直接下载到（好像在 这里 是能下载的），本文将会陆续搜集录用论文的下载地址。同时部分文章会精读、写一些笔记。下面的短评都是纯粹基于abstract部分加上笔者的脑补形成的。很多领域我...
NLP 专题论文解读：从 Chatbot 到 NER | PaperDaily #11
Paper weekly
11-08 889
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。 在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。 点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。 这是 PaperDaily 的第 11 篇文章 这里是第 11 期 PaperDaily。 本期论文笔记是由 Pap
emoji-cz：一个commitizen表情符号适配器
02-03
表情符号 一个表情符号适配器。 ? Select the type of change that you're ... :artist_palette: Style: Changes that do not affect the meaning of the code :hammer: Refactor: A code change that neither fixes
NRCLex:基于TextBlob和NRC情感词典的情感生成器。 请注意，词典许可仅用于研究目的
05-04
NRCLex （C）2019马克·贝利关于NRCLex将从文本中衡量情感影响。 情感词典包含大约27,000个单词，并基于加拿大国家研究委员会（NRC）情感词典（请参阅下面的链接）和NLTK库的WordNet同义词集。 词汇来源是（C）2016...
es-query-builder:Ruby 中 Elasticsearch 的查询构建器
06-22
Queries for these fields do not affect search score. filter_fields : [ 'field2' ] ) query = builder . build ( query_string_given_by_user ) body = if query . nil? # Empty query { size :
ember-raf-scheduler:包装了Ember Runloop和requestAnimationFrame的简单通用调度程序
05-23
// schedule a job const job = scheduler . schedule ( 'measure' , ( ) => { console . log ( 'Hello, world!' ) ; } ) ; // cancel the job scheduler . forget ( job ) ; 有4个队列： sync -裹在runloop，...
情感+对话文章总结
zeroQiaoba的博客
12-14 5044
这是ACL2017的一篇文章，主要就是把情感属性和情感强度增加到句子生成过程中。(发布的时间比较早了，最晚也是2017年初发布的) 主要提出了Affect-LM模型，是我目前看过的，最早提出的模型之一了。 任务目标是：给出前M个词，情感向量e以及情感作用的强度β，输出后面的N个单词，组成完整的一句话。 它本质就是一个增加情感的语言模型，用来做句子生成。 模型公式： 用β控制情...
论文阅读之MMSD2.0: Towards a Reliable Multi-modal Sarcasm Detection System
学习笔记
04-27 920
具体而言，如图3（b）所示，只有19.3%的表情词同时存在于阳性和阴性样本中，而其余80.7%的表情符号词仅出现在一种类型的样本中（如阳性样本或阴性样本）。给定（a）中的示例，虚假线索去除阶段首先去除文本中的虚假线索，包括标签词（#terrible_food）和表情符号词（emoji_39）以获取（b），然后通过众包对不合理样本重新注释（人类重新注释）阶段对不合理的样本重新注释以获得最终的合理示例（c）。如图所示，在训练、验证和测试集中，阳性样本中的标签词字数平均超过1个，而阴性样本中的少于1个。
【论文笔记】Training language models to follow instructions with human feedback A部分
最新发布
m0_48948682的博客
04-30 499
GPT-3.5 技术报告 A部分
GraspNet-1Billion 论文阅读
shuaijieer的博客
04-27 814
物体抓取在许多应用中都是至关重要的，也是一个具有挑战性的计算机视觉问题。然而，对于复杂的场景，目前的研究存在训练数据不足和缺乏评估基准的问题。在这项工作中，我们提供了一个具有统一评估系统的大规模抓取姿势检测数据集。我们的数据集包含97280个RGB-D图像，超过10亿个抓取姿势。同时，我们的评估系统通过分析计算直接报告抓取是否成功，这能够评估任何种类的抓取姿势，而无需详尽地标记真值。
[论文笔记]GAUSSIAN ERROR LINEAR UNITS (GELUS)
日积月累，天道酬勤
04-28 154
看完本篇文章你就会深入理解BERT中用到的GELU激活函数。
【论文阅读】ELAN-Efficient Long-Range Attention Network for Image Super-resolution
博客
04-29 610
最近，基于变压器的方法通过利用自注意力 (SA) 进行特征提取，在各种视觉任务中展示了令人印象深刻的结果，包括图像超分辨率 (SR)。然而，在大多数现有的基于变压器的模型中，SA 的计算非常昂贵，而一些采用的操作对于 SR 任务可能是多余的。这限制了 SA 计算的范围，从而限制了 SR 性能。在这项工作中，我们提出了一种用于图像 SR 的高效远程注意力网络 (ELAN)。
论文阅读--A Comprehensive Overhaul of Feature Distillation Heo
m0_73202283的博客
04-28 597
第一个是经过ReLU激活之后的特征响应的大小第二个是每个神经元的激活状态。提出了一个margin ReLU激活函数，并且利用一个局部的L2正则化进行距离度量，以此来跳过对非必要信息的蒸馏。
MF（推荐系统的矩阵分解技术）论文笔记
m0_74033027的博客
04-27 1168
推荐系统的可以为用户提供更为准确的个性化推荐，对比传统的，矩阵分解技术可以纳入更多信息，如和近邻技术：基于用户或物品之间的相似性进行推荐，当用户之间已有评价计算出两个用户爱好类似，就将a用户的其他物品推荐给b，在实际推荐计算时不再使用大矩阵，而是使用分解得到的两个小矩阵。
【论文阅读】Image Super-Resolution with Non-Local Sparse Attention
博客
04-29 736
非局部（NL）操作和稀疏表示对于单图像超分辨率（SISR）都至关重要。在本文中，我们研究了它们的组合，并提出了一种具有动态稀疏注意力模式的新型非局部稀疏注意力（NLSA）。NLSA 旨在保留 NL 操作的远程建模能力，同时享受稀疏表示的鲁棒性和高效性。具体来说，NLSA 通过将输入空间划分为相关特征的哈希桶的球形局部敏感哈希 (LSH) 来纠正非局部注意力。对于每个查询信号，NLSA 为其分配一个桶，并且只计算桶内的注意力。
-bash: cd: /root/Downloads/: Permission denied
03-28
As an AI language model, I do not have access to your computer's file system or root privileges to change permissions. However, you can try the following steps to resolve the "Permission denied" error: 1. Check if you have the necessary permissions to access the directory. Use the command `ls -l` to check the permissions of the directory and make sure you have the necessary permissions. 2. If you are not the owner of the directory, try using the `sudo` command to gain root privileges and access the directory. For example, `sudo cd /root/Downloads/`. 3. If you are still unable to access the directory, try changing the permissions of the directory using the `chmod` command. For example, `sudo chmod 777 /root/Downloads/` gives all users full access to the directory. Note: Be cautious when changing file permissions, as it can affect the security and stability of your system.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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