【论文笔记】A comprehensive survey on sentiment analysis: Approaches, challenges and trends（下）

已于 2022-12-03 15:03:32 修改
阅读量198 收藏 1
点赞数
分类专栏： 论文笔记 文章标签： 论文阅读 深度学习 人工智能
于 2022-12-02 16:48:37 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_45841737/article/details/128150044
版权

文章目录

5.情感分析挑战

5.1 Sarcasm detection（反讽检测）

讽刺，即通过说出或写出与某人意思相反的话，或者用意在使别人感到愚蠢或向他们表明他生气的方式或行动。在情感分析中，就例如写了一些积极词语或句子，但实际上表达的是消极或者是相反的的意思，正如大家所见，这一内容在现在经常被使用。因此对于讽刺检测的研究日益增加，以克服通过自动识别给定文本中的分词表情来获取deceitful sentiments 问。sarcasm的复杂性和模糊性是一项极具挑战性的NLP任务。

该研究有通过带有softmax注意力层的双向LSTM和卷积神经网络的混合来解决。softmax注意力层用于从Glove词表示中学习英语特征的语义上下文向量并转发到CNN。CNN模型中还通过HindiSenti(Hindi SentimentNet）特征向量和机遇标点符号的辅助特征相结合，准确率高达92.71%

D. Jain, A. Kumar, G. Garg, Sarcasm detection in mash-up language using soft-attention based bi-directional LSTM and feature-rich CNN, Appl. Soft Comput. 91 (2020) 1–11, https://doi.org/10.1016/j.asoc.2020.106198.

5.2 Negation handing（否定处理）

对于情感分析来说，处理否定词如not，None，nor等非常重要，因为它们可以

最低0.47元/天 解锁文章
想学好编程的小汤
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
A Survey on Deep Learning Techniques Applied to medical image analysis
禅与计算机程序设计艺术
08-13 234
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
【论文泛读133】衡量代码混合文本复杂性的指标的挑战和局限性
scu-liu的博客
06-21 339
贴一下汇总贴：论文阅读记录 论文链接：《Challenges and Limitations with the Metrics Measuring the Complexity of Code-Mixed Text》 一、摘要 代码混合是多语言使用者之间的一种常见交流方式，他们将来自两种不同语言的单词和短语混合在同一个文本或语音中。识别和过滤代码混合文本是一项具有挑战性的任务，因为它与单语和嘈杂的文本共存。多年来，多种代码混合指标已被广泛用于识别和验证代码混合文本质量。本文通过各种实验中广泛使用的现有数据集
Code-Mixed-Dialog
05-12
混合代码对话框 该存储库包含论文集和基线实现 面向目标的对话系统的需求在不断增长，它可以帮助用户进行各种日常活动，例如订票，餐厅预订，购物等。用于构建此类对话系统的大多数现有数据集都集中在单语对话和在多语言和/或代码混合对话中几乎没有任何工作。 因此，此类数据集和系统无法满足世界上多种语言的地区的需求，例如印度。在印度，人们说一种以上的语言并在它们之间进行无缝切换会导致混合代码的对话，这是非常普遍的。 例如，一个说预订餐厅的说印地语的用户通常会问： “ Kya tum是餐厅吗？ （“您能帮我在这家餐厅预订餐桌吗？”。）为了促进此类代码混合对话模型的开发，我们构建了一个包含代码混合对话的面向目标的对话框数据集。 具体来说，我们从DSTC2餐厅预订数据集中获取文本，并以印地语-英语，孟加拉语-英语，古吉拉特语-英语和泰米尔语-英语创建其代码混合版本。 我们还使用现有的现有技术模型（例如序列到
Gender Prediction in English-Hindi Code-Mixed Social Media Content : Corpus and Baseline
LX1_1XL的博客
06-22 343
2018.6.19英语-印地语代码混合社交媒体内容的性别预测:语料库和基线系统。数据集、代码、及演示界面https://github.com/taspinar/twitterscraperAbstract   剖析作者摘要是通过文本自动确定作者性别、年龄等方面的问题，在计算机语言学中越来越受到重视。很多用户在社交媒体上发布叫做“代码混合”的文章时经常会改变语言，这在文本分类和作者剖析方面提出了一些...
【论文笔记】A comprehensive survey on sentiment analysis: Approaches, challenges and trends（中）
qq_45841737的博客
12-02 482
关于该篇论文3,4节的阅读笔记，翻译和理解不到位的地方请多见谅
【论文笔记】A comprehensive survey on sentiment analysis: Approaches, challenges and trends（上）
qq_45841737的博客
11-30 362
论文1、2节的笔记，理解和翻译得不到位的请多见谅
Deep MultimodalLearningA survey on recent advances and trends
我的博客
01-16 1032
深度学习的成功已经成为解决越来越复杂的机器学习问题的催化剂，这些问题通常涉及多个数据模态。我们回顾了深度多模态学习的最新进展，并突出了该活跃研究领域的现状，以及存在的差距和挑战。我们首先对深度多模态学习架构进行分类，然后讨论在深度学习架构中融合学到的多模态表示的方法。我们强调两个研究领域——正则化策略和学习或优化多模态融合结构的方法——作为未来工作的激动人心的领域。
表情识别综述论文《Deep Facial Expression Recognition: A Survey》中文翻译
热门推荐
北街末雨Yyg
05-20 1万+
人脸表情识别综述论文《Deep Facial Expression Recognition: A Survey》中文翻译
NLP之Prompt：《Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Lang
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
10-12 8311
​ NLP之Prompt：《Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing预训练、提示和预测：自然语言处理中提示方法的系统调查》翻译与解读 目录 《Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Process
Deep learning for sentiment analysis A survey 深度学习情感分析综述
12-23
Deep Learning for Sentiment Analysis : A Survey（深度学习情感分析综述）
twitter-sentiment-analysis：使用Keras TensorFlow GloVe对Twitter进行情感分析
02-06
Twitter情绪分析总览该软件包将对推文或类似的短文进行情感分析。 GloVe的预训练词嵌入被用作Keras的冻结... wget http://thinknook.com/wp-content/uploads/2012/09/Sentiment-Analysis-Dataset.zip运行[可选，因为提
awesome-sentiment-analysis:真棒情感分析论文的阅读清单
03-19
真棒情感分析论文的阅读清单 自将近20年来首次将情感分析作为一项任务引入以来，情感分析作为一个领域已经走了很长一段路。仅举几例，它在诸如营销，风险管理，市场研究和政治等各个领域中都有广泛的商业应用。鉴于...
tweet-sentiment-analysis:t对推文的情感分析
03-20
这个应用的开发使用了Python的Django框架，以及VADER（Valence Aware Dictionary and sEntiment Reasoner）情感分析工具，这是一种基于词汇表的情感分析方法。 首先，让我们深入探讨自然语言处理（NLP）。NLP是...
Sentiment-Analysis:情绪分析
04-23
情感分析 情感分析：PyTorch实现，Tensorflow Keras实现该数据集在自然语言处理中非常流行，通常称为IMDb数据集。... 实施方法 数据集 “这是来自IMDB的25,000则电影评论的数据集，以情感（正/负）标记。...
机器学习领域综述大列表：真的很大， 你忍一忍
Kaiyuan_sjtu的博客
07-20 371
作者|kaiyuan整理|NewBeeNLP标题紧跟时事，皮一下继续来给大家分享github上的好东西，一个『机器学习领域综述大列表』，涵盖了自然语言处理、推荐系统、计算机视觉、...
Efficient Estimation of Word Representations in Vector Space论文笔记解读
最新发布
m0_52775136的博客
07-09 377
将输出层的单词表示为一个二叉树，其中每个叶子节点都表示一个单词。每个非叶子节点都表示两个子节点的内积，每个叶子节点都表示该单词的条件概率。对于给定的一对（中心单词，上下文单词），我们希望最大化它们的共现概率。最后输出V个概率，复杂度比较高，采用了2重方法降低复杂度，分别是层次softmax和负采样。Word2vec的向量表示能够自动捕捉到单词之间的语义和语法关系。舍弃多分类，把多分类转变成二分类问题（正样本和负样本）。用周围词预测中心词，求和的时候忽略了每个词的顺序。增大正样本的概率，减小负样本的概率。
【论文阅读】AsyncDiff: Parallelizing Diffusion Models by Asynchronous Denoising
weixin_57974242的博客
07-07 482
简介：异步去噪并行化扩散模型。提出了一种新的扩散模型分布式加速方法，该方法在对生成质量影响最小的情况下显著降低了推理延迟。原理：用异步过程取代顺序去噪过程，允许去噪模型的每个组件在不同的设备上独立运行。动机：扩散模型的多步顺序去噪特性导致了高累积延迟，无法并行计算。AsyncDiff是一个通用的即插即用加速方案，可以跨多个设备实现模型并行，将噪声预测模型分成多个组件，并将每个组件分配给不同的设备。为了打破组件之间的依赖链，它利用连续扩散步骤中隐藏状态之间的高度相似性，将传统的顺序去噪转换为异步过程。
论文阅读--Simple Baselines for Image Restoration
Matrix-11
07-06 867
这篇文章是 2022 ECCV 的一篇文章，是旷视科技的一篇文章，针对图像恢复任务各种网络结构进行了梳理，最后总结出一种非常简单却高效的网络结构，这个网络结构甚至不需要非线性激活函数。文章一开始就提到，虽然在图像复原领域，可以看到非常明显的进步和提升，但是这些算法框架的复杂性也随之增加。这篇文章重新思考了算法框架的设计，提出了一种非常简单的基线算法框架，这个基线算法框架不仅效果上可以超越当前的一些 SOTA 方法，而且运算效率也非常高。
请讲一下UniMSE：Towards Unified Multimodal Sentiment Analysis and Emotion Recognition这篇论文中的模型
03-25
A: UniMSE是一种用于联合多模态情感分析和情感识别的模型，它是基于Transformer和多任务学习的思想构建而成。UniMSE包含两个部分：1）MASHQ:一个基于Transformer的跨模态情感分析器；2）SERQ:一个基于Transformer的跨模态情感识别器。 MASHQ是一个非常灵活的跨模态情感分析器，它可以同时处理文本、音频、图像和视频等不同类型的数据。MASHQ的输入由一个或多个不同类型的嵌入向量构成，每个向量表示不同类型的数据。通过多头自注意力机制，MASHQ能够自动地学习到在不同模态之间共享的特征和模式，并将它们整合起来进行情感分析。 SERQ则是用于识别输入数据的情感状态。与MASHQ类似，SERQ也是一个基于Transformer的模型，它从输入的数据中学习到语义信息和情感特征。SERQ的输出是一个情感标签，表示输入数据的情感状态，例如高兴、悲伤、愤怒等。 两个模型都使用多任务学习的方法，以最小化总损失函数。这种方法可以使两个模型更好地协同工作，共同完成跨模态情感分析和情感识别的任务。 总体而言，UniMSE提供了一种有效的方法来处理多种不同类型的数据，并能有效地识别和分析其中的情感信息。这一技术具有广泛的应用前景，例如娱乐、医疗、安防等领域都可以应用UniMSE来进行情感分析和情感识别。

“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
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