论文 Text Emotion Distribution Learning via Multi-Task Convolutional Neural Network

摘要

采用端到端的框架同时优化文本情感的 分布预测和分类。

同时采用了一种 基于词典 的策略从 单一的标签（a single label）文本中生成情感分布，提供先验信息。

5个数据集（SemEval, Fairy Tales, ISEAR, TEC, CBET)

介绍

情感分析的意义

 单一标签分类 （single-label learning (SLL) problem），主导情感。其中 （1）利用里面的包含情感的词，它对应的情感标签（2）利用已经存在的机器学习分类器识别情感。

多标签学习 （multi-label learning (MLL)）。设定阈值，分配情感（ > threshold ）

二者均无法体现一个句子中的多种情绪的占比程度。

---

 

本文想采用 标签分布学习 （label distribution learning (LDL)）解决此问题。

模型：多任务CNN

损失函数：交叉熵和KL

训练数据：分布数据:SemEval   单标签数据: ISEAR, Fairy Tales, TEC, CBET

---

 

句子  情感分布

词向量矩阵  + CNN  => Loss (SGD) '

CNN:

输入层：一个句子，每个词语用一个词向量表示，k x M 矩阵 (M为词的个数）

卷积层： filter  h x k 矩阵