Emoji相关任务的论文汇总（情感分析|对话生成|向量表示）

最新推荐文章于 2023-12-01 20:42:21 发布
最新推荐文章于 2023-12-01 20:42:21 发布
阅读量387 收藏
点赞数
分类专栏： 情感对话 文章标签： 论文阅读 Emoji 情感分析 对话生成 向量表示
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/131281777
版权
情感对话 专栏收录该内容
55 篇文章 41 订阅 ¥29.90 ¥99.00
订阅专栏

《论文阅读》Emoji相关任务的论文汇总（情感分析|对话生成|向量表示）

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
《论文阅读》用于情感分析的融合预训练表情符号特征增强
MyHeartWillGoOn
06-16 1115
你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Fusion Pre-trained Emoji Feature Enhancement for Sentiment Analysis》出版：2023 Association for Computing Machinery时间： 2023类型：文本情感分析特点：融合emoji特征。
Text2Emoji：Text2Emoji通过分析文字背后的情感来帮助您向文本中添加必要的表情符号
02-05
Text2Emoji :smiling_face: Text2Emoji是一个文本分类模型，在5个班级的200个句子上进行了训练。 下图。 显示在其上训练模型的表情符号列表。 侧面的文字代表表情符号描绘的高级情感。 :smiling_face_with_sunglasses: 运行步骤 $> python3 main.py 在浏览器中打开emoji.html并开始输入 :speech_balloon: 演示版 方法 模型架构 Model: "TextClassifier( (document_embeddings): DocumentRNNEmbeddings( (embeddings): StackedEmbeddings( (list_embedding_0): Wo
emoji-gan：使用条件GAN生成Emoji
02-05
使用条件深度卷积生成对抗网络生成表情符号 这是用Python 3.6.5和Keras 2.1.5编写的和。 由于这两篇论文均未公开披露其实现和数据集，因此我们将它们实现并制作了表情符号标题数据集。 描述 该模型使用条件深度生成...
StringEmoji：String快速的String扩展类，用于处理与Emoji相关的任务
02-05
一个快速的5.0字符串扩展类，用于处理与表情符号有关的任务。 CocoaPods安装 pod 'StringEmoji', :git => 'https://github.com/piterwilson/StringEmoji.git' 用法 import StringEmoji 文献资料 字符串扩展 var ...
emoji_moji：:input_latin_uppercase:emoji表情符号生成器
02-05
生成された画像をSlackに登录することで絵文字として利用できます。 セットアップ（MacOSでのみ动作确认済） git clone git@github.com:pistatium/emoji_moji.git cd emoji_moji pip3 install -e . フォントを変え...
随机Emoji生成器「Random Emoji Generator」-crx插件
03-10
受船的启发，它的按钮扩展。在Github上，为随机表情符号添加一个按钮。 受Ship It Button扩展的启发，此扩展适用于GitHub。 它提供了一个用于随机表情符号图标进行评论的按钮。 添加了所有可能的表情符号。...
background-emoji：简单的表情符号背景生成器:fire:
02-05
:fire: 背景表情符号 :party_popper: 简单的表情符号背景生成器 产品特点 个性化 出口 SVG CSS PNG React灵敏 执照 麻省理工学院执照
论文笔记：详解NEUPSL DSI
qq_51957239的博客
11-25 394
Dialog Structure Induction（DSI）是推断给定目标导向对话的潜在对话结构（即一组对话状态及其时间转换）的任务。它是现代对话系统设计和话语分析的关键组件。Probabilistic Soft Logic （概率软逻辑，PSL）是一种在统计关系学习和推理中使用的框架。它结合了逻辑编程的可解释性与概率模型的不确定性处理能力，适用于处理不确定和复杂的关系数据。
《功能磁共振多变量模式分析中空间分辨率对解码精度的影响》论文阅读
刘文凯的博客
12-01 431
fMRI中的多变量模式分析(MVPA)已被用于从分布的皮层激活模式中提取信息，这在传统的单变量分析中可能无法检测到。然而，对于fMRI中MVPA的物理和生理基础以及空间平滑对其性能的影响知之甚少。一些研究已经解决了这些问题，但他们的调查仅限于3岁时的视觉皮层，结果相互矛盾。在这里，我们使用超高场(7 T)功能磁共振成像来研究空间分辨率和平滑对语音内容(元音)解码和说话者身份的影响。
论文阅读——Img2LLM（cvpr2023）
weixin_43575791的博客
12-01 457
ITE可以计算图片和问题的相似度，GradCAM可以生成一个粗略的定位图，突出显示给定问题的匹配图像区域。为了去除有噪声的字幕，我们使用ITE来计算生成的字幕和采样的问题相关图像补丁之间的相似性得分，并过滤匹配得分小于0.5的字幕。总的来说，这个过程产生了与问题相关的、多样化的、干净的合成字幕，在视觉和语言信息之间架起了一座桥梁。为了解决这个问题，我们生成关于图像中与问题相关的部分的标题，并将其包含在LLM的提示中。有了候选答案后可以使用现成的任意的问题生成模型为每一个候选答案生成具体的问题。
论文阅读——Prophet（cvpr2023）
weixin_43575791的博客
11-25 1306
这个模型分为两阶段：一是答案启发生成阶段（answer heuristics generation stage），即在一个基于知识的VQA数据集上训练一个普通的VQA模型，产生两种类型的答案启发，答案候选列表和答案例子；首先介绍VQA模型，有一个数据集D，一个答案词库W，一个VQA模型可以分为两部分，一部分是backbone Mb，一部分是分类头Mh，骨干网络用来将输入的图片和问题融合为一个特征z，分类器一般是简单的线性分类器，得到yi，表示得到得到答案wi的分数。从VQA得到的答案y里面选出前K个答案。
【论文阅读笔记】清单
weixin_43357695的博客
11-27 237
记录即将阅读的论文清单，持续更新。
中英双语大模型ChatGLM论文阅读笔记
seamoon的博客
11-28 967
GLM-130B和相比，参数量减少，但性能提升了。INT4量化是一种将模型的权重和激活从使用较高位宽（如32位或16位浮点数）的表示减少到使用4位整数（INT4）的表示的过程。量化可以显著减少模型的内存需求和计算量，因此可以在资源有限的硬件上运行更大的模型，或者加快模型的推理速度。不进行后续训练（post-training）的情况下进行INT4量化是一个挑战，因为通常量化会引入噪声和损失精度，影响模型的性能。后续训练（也称为量化感知训练）通常被用来微调量化后的模型，以恢复一些由于量化造成的性能损失。
《论文阅读》DualGATs：用于对话中情绪识别的双图注意力网络
最新发布
MyHeartWillGoOn
12-01 131
今天为大家带来的是《DualGATs: Dual Graph Attention Networks for Emotion Recognition in Conversations》出版：ACL时间：2023.7类型：对话情绪识别关键词：图网络结构，图注意力机制作者：Duzhen Zhang，Feilong Chen 和 Xiuyi Chen第一作者机构：Baidu Inc, Beijing, China。
【论文阅读】ActiveNeRF：通过不确定性估计候选新视图
WoooChi的博客
11-27 311
ActiveNeRF: Learning where to See with Uncertainty Estimation 部分翻译
论文阅读——MCAN（cvpr2019）
weixin_43575791的博客
11-25 722
对图片的处理：首先输入图片到Faster R-CNN，会先设定一个判断是否检测到物体的阈值，这样动态的生成m∈[10,100]个目标，然后从检测到的对应的区域通过平均池化提取特征。然后有了图片和问题的特征矩阵X和Y，送入下面的Deep Co-Attention Learning模块，由L层MAC层堆叠。，送入Multimodal Fusion and Output Classifier模块，这个模块有个两层的MLP。所以SA(Y)-SGA(X,Y)比较好，Encoder-decoder比较好。
论文阅读_AI生成检测_Ghostbuster
谢彦的技术博客
12-01 460
文中提出了 Ghostbuster，一种用于检测 AI 生成文本的最先进系统。
vqvae 论文阅读
weixin_40467931的博客
11-25 68
https://arxiv.org/abs/1711.00937 直接3.1 首先我们定义一个嵌入空间. 是K*D维度的. K是离散空间向量的数量. D是每一个向量的维度. 所以e_i 中的i属于 1到K. 模型的输入是x, 也就是图片. 然后模型编码成一个z_e(x). 然后使用最近算法来得到 z_q 具体公式是下面1和2. 理解q这个分布. 给定x之后,是一个0,1 离...
【论文阅读】An Overview of Reachability Indexes on Graphs
malo12的博客
11-30 801
图一直是建模实体和它们之间的关系的自然选择。最基本的图处理运算符之一是可达性查询，它检查在普通图中是否存在从源到目标顶点的路径，以及该路径是否能够基于边缘标记图中的边缘标签满足给定的路径约束。由于这些查询固有的可传递性，处理可达性查询可能需要访问图的很大一部分。这使得在大图上评估它们的代价高昂。因此，在过去的三十年里，人们花费了大量的精力来设计索引技术，构建先进的数据结构来有效地压缩图的传递闭包，从而加速在线查询处理，即可达性索引。
对emoji进行分析的算法
09-01
对emoji进行分析的算法，主要可以分为两个步骤：特征提取和情感分类。 特征提取是指从emoji中提取有用的信息。首先，可以从emoji的形状、颜色、组成元素等方面进行特征提取。例如，对于笑脸emoji，可以提取出它的黄色圆形形状和一个笑脸的嘴巴。另外，还可以分析emoji在文本中的位置、频率等信息，以及与其他表情符号、文本内容的关联性等。这些特征可以通过图像处理、文本分析等方法得到。 情感分类是指将emoji分类为不同的情感类别，如快乐、悲伤、愤怒等。这一步骤可以使用机器学习算法进行分类训练和预测。首先，需要构建一个标注了情感类别的数据集，包含各种不同的emoji。然后，可以使用文本分类算法，如支持向量机、朴素贝叶斯等，对emoji进行训练和分类。训练过程中，通过提取的特征作为输入，与情感类别进行匹配，得到分类器模型。最后，对新的emoji进行预测，即根据其特征提取的结果，使用分类器模型进行分类，得到其情感类别。 总结起来，对emoji进行分析的算法主要包括特征提取和情感分类两个步骤。通过提取emoji的形状、颜色、组成元素等特征，并结合其在文本中的位置、频率等信息，可以提取出有用的信息。然后，使用机器学习算法对emoji进行情感分类，从而实现对emoji的分析。

“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