no code implementations • CCL 2022 • Sancheng Peng, Guanghao Chen, Lihong Cao, Rong Zeng, Yongmei Zhou, Xinguang Li
“对话文本负面情绪识别主要是从对话文本中识别出每个话语的负面情绪, 近年来已成为了一个研究热点。然而, 让机器在对话文本中识别负面情绪是一项具有挑战性的任务, 因为人们在对话中的情感表达通常存在上下文关系。为了解决上述问题, 本文提出一种基于关系图注意力网络(Rational Graph Attention Network, RGAT)和宽度学习(Broad Learning, BL)的对话文本负面情绪识别方法, 即RGAT-BL。该方法采用预训练模型RoBERTa生成对话文本的初始向量;然后, 采用Bi-LSTM对文本向量的局部特征和上下文语义特征进行提取, 从而获取话语级别的特征;采用RGAT对说话者之间的长距离依赖关系进行提取, 从而获取说话者级别的特征;采用BL对上述两种拼接后的特征进行处理, 从而实现对负面情绪进行分类输出。通过在三种数据集上与基线模型进行对比实验, 结果表明所提出的方法在三个数据集上的weighted-F 1、macroF 1值都优于基线模型。”
no code implementations • 5 May 2022 • Fan Zhang, Qiuying Peng, Yulin Wu, Zheng Pan, Rong Zeng, Da Lin, Yue Qi
Recently, industrial recommendation services have been boosted by the continual upgrade of deep learning methods.