文章標題：

?

Learning Cognitive Features from Gaze Data for Sentiment and Sarcasm
Classification using Convolutional Neural Network

?

?

?

摘要

認知NLP系統是利用行為數據抽取的從眼動模式，腦圖認知特征來增強傳統的基于文檔特征。

?

實驗證明了，用自動學習的眼動數據特征和文本特征的組合，分類性能優于（1）基于單獨依賴文本特征輸入的CNN和（2）現有的基于手工制作的眼動和文本特征的系統。

?

?

介紹

就是說之前的系統難以處理微妙的情感分類，比如說“我真是非常愛我的工作，每天泡在工作里40個小時”其實應該是消極的情緒，但在缺乏外部信息的情況下現有的系統很難分類正確，但2016年的兩篇文章介紹了利用讀者的快速眼動信息來提升這些微妙的情感分類處理的性能。現有工作很少有利用眼動信息的，并且眼動信息依賴于手工提取特征。

現有的工作主要局限：a.可能不能完全的充分的提取眼動信息特征。

B.?眼動信息不能像文本信息那樣直接提取特征，也給現有工作造成了困難。

因此, 在這項工作中, 我們嘗試用卷積神經網絡 (CNN) 從眼動和文本數據中學習特征表示, 而不是用手工制作基于眼動和文本的特征。

數據集是在現有的公用數據集上加上眼動數據

?

數據集：

The datasets used?in our experiments, resources and other relevant?pointers are available at http://www.cfilt.iitb.ac.in/?cognitive-nlp?

?

We conduct experiments for two binary?classification tasks of sentiment and sarcasm?using two publicly available datasets enriched?with eye-movement information. Dataset 1 has?been released by Mishra et al. (2016a). It contains?994 text snippets with 383 positive and 611 negative examples. Out of the 994 snippets, 350 are?sarcastic. Dataset 2 has been used by Joshi et al.?(2014) and it consists of 843 snippets comprising?movie reviews and normalized tweets out of?which 443 are positive, and 400 are negative.
Eye-movement data of 7 and 5 readers is available?for each snippet for dataset 1 and 2 respectively?

?

總結

以上是生活随笔為你收集整理的2017acl---Learning Cognitive Features from Gaze Data for Sentiment and Sarcasm Classification笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。