Poste de recherche
Résumé
Nous présentons une analyse empirique de l'extraction d'émotions multiples de base et spécifiques à la dépression dans les Tweets, en utilisant des classificateurs multi-labels de pointe. Nous choisissons nos émotions de base à partir d'un modèle d'émotion hybride composé des émotions communément identifiées dans quatre modèles psychologiques très réputés. De plus, nous ajoutons à ce modèle d'émotions de nouvelles catégories d'émotions en raison de leur importance dans l'analyse de la dépression. La plupart de ces émotions supplémentaires n'ont pas été utilisées dans les recherches précédentes sur l'exploration des émotions. Nos analyses expérimentales montrent qu'un algorithme RankSVM sensible aux coûts et un modèle d'apprentissage profond sont tous deux robustes, mesurés à la fois par les micro F-Measures et les macro F-Measures. Cela suggère que ces algorithmes sont supérieurs pour résoudre le problème largement connu du déséquilibre des données dans l'apprentissage multi-labels. De plus, notre application du Deep Learning est la plus performante, ce qui lui confère un avantage dans la modélisation des caractéristiques sémantiques profondes de nos catégories émotionnelles étendues.
3 mars 2023
Poste de recherche
23 janvier 2023
Poste de recherche
15 septembre 2022
Poste de recherche
Vous cherchez à renforcer les capacités en matière d'IA ? Vous avez besoin d'un conférencier pour votre événement ?
Participez à l'écosystème croissant de l'IA en Alberta ! Les demandes de conférenciers, de parrainage et de lettres de soutien sont les bienvenues.