论文泛读185考虑情绪成分过程模型的情绪识别

Posted 2021-11-12 及时行樂_

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。

二、结论

我们提出了第一个数据集(基于现有的情感语料库)与情感成分注释。虽然霍夫曼等人(2020年)提出将认知评估用于情感分类，但他们没有成功地提出实际有益于情感分类性能的模型。这可能是因为认知评估分类本身具有挑战性，并且他们没有比较多种多任务学习方法。

有了这篇论文，我们转向了另一种心理学理论，即情绪成分过程模型，并提供了第一个紧跟这一理论的注解。基于这一资源，我们已经表明，即使数据集大小相对有限，情感成分也有助于情感分类。我们预计，使用更大的语料库，改进将比现在更加显著。对数据实例的手动自省也表明组件确实有帮助。此外，我们已经看到情绪在这两个领域中的交流非常不同，这就是为什么情绪分类系统(直到今天)需要特别为感兴趣的领域开发的原因。我们建议未来的工作进一步分析哪些信息是相关的，并且应该在多任务学习模型中跨这些任务共享。

此外，我们建议跨更多领域创建更大的语料库，并且多任务学习不仅可以单独进行，还可以跨语料库进行。据推测，不同域中的组件信息是不一样的，但是在它们之间可能会有帮助。

三、model

使用到的一些神经模型架构：