检索结果

Select

1. 一种基于多任务学习的多模态情感识别方法

林子杰, 龙云飞, 杜嘉晨, 徐睿峰

北京大学学报自然科学版 2021, 57 (1): 7-15. DOI: 10.13209/j.0479-8023.2020.085

摘要（1711）

HTML

PDF（pc）（3483KB）（507）

为了通过设置辅助任务学习到更具有情感倾向性的视频和语音表示, 进而提升模态融合的效果, 提出一种基于多任务学习的多模态情感识别模型, 使用多模态共享层来学习视觉和语音模型的情感信息。在MOSI数据集和MOSEI数据集上的实验表明, 添加两个辅助的单模态情感识别任务后, 模型可以学习到更有效的单模态情感表示, 并且在两个数据集上的情感识别准确率比目前性能最佳的单任务模型分别提升0.8%和2.5%。

相关文章 | 多维度评价 | 评论（0）

Select

2. 一种融入背景知识的交互文本立场分析方法

刘常健, 杜嘉晨, 冷佳, 陈荻, 毛瑞彬, 张俊, 徐睿峰

北京大学学报自然科学版 2020, 56 (1): 16-22. DOI: 10.13209/j.0479-8023.2019.096

摘要（1254）

HTML

PDF（pc）（682KB）（163）

提出一种融入背景知识的交互文本立场分析方法。该方法以交互文本作为查询, 从维基百科中检索相关的背景知识文本, 然后对背景知识文本进行编码, 并通过深度记忆网络获取相关的背景知识特征, 以此来增强交互文本的表示学习。在3个英文在线辩论数据集上的实验结果表明, 通过选取适当的背景知识嵌入层数以及背景知识嵌入层连接方式, 可以有效地提高交互文本立场分析性能。

相关文章 | 多维度评价 | 评论（0）

Select

3. 基于对抗学习的讽刺识别研究

张庆林, 杜嘉晨, 徐睿峰

北京大学学报自然科学版 2019, 55 (1): 29-36. DOI: 10.13209/j.0479-8023.2018.064

摘要（910）

HTML

PDF（pc）（530KB）（321）

为了避免现有讽刺识别方法的性能会受训练数据缺乏的影响, 在使用有限标注数据训练的注意力卷积神经网络基础上, 提出一种对抗学习框架, 该框架包含两种互补的对抗学习方法。首先, 提出一种基于对抗样本的学习方法, 应用对抗生成的样本参与模型训练, 以期提高分类器的鲁棒性和泛化能力。进而, 研究基于领域迁移的对抗学习方法, 以期利用跨领域讽刺表达数据, 改善模型在目标领域上的识别性能。在3个讽刺数据集上的实验结果表明, 两种对抗学习方法都能提高讽刺识别的性能, 其中基于领域迁移方法的性能提升更显著; 同时结合两种对抗学习方法能够进一步提高讽刺识别性能。

相关文章 | 多维度评价 | 评论（0）