阅读论文《MOJITALK: Generating Emotional Responses at Scale》——ACL2018

假设: 一句话中携带的emoji表情就能表达这句话的含义。

 

根据twitter上的emoji表情，建立一个大规模的有标签的情感数据集

 

现有的情感数据集的问题： 量小 / 粗粒度(pos,neg)

 

评测：automatically evaluated by a separate sentence-to-emoji classifer + human evaluation (AMT)

 

研究表明VAE模型生成的句子多样性远高于传统的seq2seq模型 (Recent research in dialog generation shows that language generated by BAE models enjoy significantly greater diversity than traditional seq2seq models)

 

数据集的预处理（比较特别的地方):

不允许出现任何的multimedia contents（URL, image, video等），如果出现，则直接舍弃这句tweet而不是单纯去除multimedia content。

一句话中含有多个emoji的情况：

按occurence最多的那个emoji来算

如果每个emoji出现的次数一样多，那么以在整个corpus上frequence最少的那个emoji来表示这句话

 

算法过程：

随机初始化词向量(dim=128) + emoji向量(emoji embedding)(dim&#