(2022 EMNLP)(SEMGraph)将情感知识和眼动结合到一个图架构中

论文题目(Title):SEMGraph: Incorporating Sentiment Knowledge and Eye Movement into Graph Model for Sentiment Analysis

研究问题(Question):基于眼动的情感分析,旨在绘制基于眼动的情感关系,以学习语境中的情感表达。

研究动机(Motivation):眼动信息和脑电波信息最能直观的反应人们情绪变化

主要贡献(Contribution):

1.通过引入情感-眼动权值来改进情感信息的学习,从一个全新的角度来处理SA任务。

2.基于语言特征与人类阅读的早期和后期过程之间的密切关系,提出了一种有效的眼动特征提取范式——语言探测眼动范式。

3.探索了一种新的情感-眼动引导图(SEMGraph)模型来绘制基于眼动的情感关系。

4.基于眼动信号的情感分析数据集和三个没有眼动信号的情感分析数据集,证明了所提出的方法SEMGraph在SA中达到了最先进的性能,同时可以推广到没有眼动信号的情感分析数据集。

研究思路(Idea):首先,基于语言特征与人类阅读行为的早期和晚期过程之间的密切关系,我们探索了一种语言探测眼动范式来提取眼动特征;为了获得带有情感概念的眼动特征,设计一种新的加权策略,将情感常识知识提取的情感分数整合到眼动特征中,称为情感-眼动权重。然后,利用情感眼动权值构建情感眼动引导图(SEMGraph)模型,对情境中复杂的情感关系进行建模。

研究方法(Method):

(2022 EMNLP)(SEMGraph)将情感知识和眼动结合到一个图架构中_第1张图片

研究过程(Process):

        1.数据集(Dataset)

(2022 EMNLP)(SEMGraph)将情感知识和眼动结合到一个图架构中_第2张图片

        2.评估指标(Evaluation):Accuracy

        3.实验结果(Result)

(2022 EMNLP)(SEMGraph)将情感知识和眼动结合到一个图架构中_第3张图片

(2022 EMNLP)(SEMGraph)将情感知识和眼动结合到一个图架构中_第4张图片

总结(Conclusion):在2个含眼动信号的眼动情感分析数据集和3个不含眼动信号的眼动情感分析数据集上的实验结果表明了该方法的有效性和良好的泛型性。

这项工作提出了一种基于现有眼动数据的范式,而不是使用眼动仪在线捕获人类眼动数据。因此,利用眼动仪进行在线情感分析是未来工作的一个方向。其次,主要关注眼动数据中最多的(首次注视时间)FFD和(总阅读时间)TRT。如果能引入更多有用的眼动数据,更深入地研究眼动与情绪的关系,那就更好了。

你可能感兴趣的:(多模态,多模态,情感分析)