ZZZ___bj-优快云博客

原创 2024年B会(Coling)——双重对比学习用于多模态对话情感识别

对话中的多模态情感识别（MERC）通过整合对话视频中的语境信息和多模态信息来识别话语情绪。现有的方法难以捕捉由于标签复制而引起的情绪变化，也无法在融合过程中保持积极的独立模态贡献。为了解决这些问题，我们提出了一个双重对比学习框架（DCLF），它在没有额外数据的情况下增强了当前的MERC模型。具体来说，为了减轻标签复制效应，我们构建了上下文感知的对比对。此外，我们分配伪标记来区分模态特异性贡献。DCLF 与基本模型一起在语句、上下文和模态层面引入语义约束。

2025-04-03 19:46:49 668

原创 2025年SCI1区(TAC) ——语义和情感双重通道用于文本对话情感识别

对话中的情绪识别（ERC）旨在准确识别对话内容中表达的情绪状态。现有的ERC方法虽然依赖于语义理解，但在面对不完整或具有误导性的语义信息时，往往会遇到挑战。此外，在处理情绪信息和语义信息之间的交互作用时，现有的方法往往难以有效地区分两者之间的复杂关系，这影响了情绪识别的准确性。为了解决传统模型在面对复杂的会话数据时遇到的语义误导和情绪交叉对话的问题，我们提出了一种语义和情绪双通道（SEDC）策略，以独立处理情绪和语义信息。在该策略下，当语义不明确或缺乏时，情感信息提供了一个辅助识别功能，提高了模型的准确性。

2025-04-01 17:20:06 755

原创 2024年 A会——AAAI 自适应图学习用于多模态对话情感识别

对话中的多模态情绪识别（ERC）的目的是识别对话视频中每个话语所表达的情绪。在处理模态内交互时，当前的工作在平衡说话者内部和说话者间的上下文依赖关系方面遇到了挑战。这种平衡是至关重要的，因为它包括建模自我依赖（情感惰性），其中说话者自己的情感影响他们，并建模人际依赖（共情），其中同伴的情感注入说话者。此外，在解决跨模态交互问题时也会遇到挑战，因为不同模态的内容会产生相互矛盾的情绪。为了解决这个问题，我们引入了一种名为AdaIGN的自适应交互图网络（IGN），它使用Gumbel Softmax。

2025-03-31 16:13:18 977

原创 2024年SCI 1区：IEEE TNNLS——DER-GCN：对话和事件关系-感知多模态对话情绪识别的图卷积神经网络

随着深度学习（DL）的不断发展，多模态对话情绪识别（MDER）近年来受到了广泛的研究关注，也是深度学习的一个重要分支。MDER旨在识别不同模态中的情感信息，例如，文本、视频和音频，以及不同的对话场景。然而，现有的研究主要集中在上下文语义信息和说话者之间的对话关系的建模上，而忽略了事件关系对情绪的影响。为了解决上述问题，我们提出了一种新的对话和事件关系感知图卷积神经网络（DERGCN）的多模态情绪识别方法。它模拟了说话者之间的对话关系，并捕获了潜在的事件关系信息。

2025-03-31 09:39:56 1076

原创通过知识注入和歧义学习用于多模态情感分析

多模态情绪分析（MSA）利用互补的多模态特征来预测情绪的极性，这主要涉及到语言、视觉和音频模态。现有的多模态融合方法主要考虑不同模态的互补性，而忽略了模态之间的冲突所造成的歧义（即文本模态预测积极情绪，而视觉模态预测消极情绪）。为了很好地减少这些冲突，我们开发了一个新的多模态歧义学习框架，即RMA，通过知识注入和多模态歧义学习解决多模态歧义情绪分析。具体来说，我们引入和过滤外部知识，以增强跨模态情绪极性预测的一致性。即，我们。

2025-03-25 08:42:08 623

原创多模态对话情绪识别的深度不平衡学习

对话中的多模态情绪识别（MERC）的主要任务是对文本、音频、图像、视频等模态中的情绪进行识别，这是实现机器智能的重要发展方向。然而，MERC中的许多数据表现出情绪类别的不平衡分布，研究人员忽略了不平衡数据对情绪识别的负面影响。为了解决这一问题，我们从数据增强、损失敏感性和采样策略三个方面对其进行了系统的分析，并提出了类边界增强表示学习（CBERL）模型。具体地说，我们首先设计了一个多模态生成对抗网络来解决原始数据中情绪类别的不平衡分布。

2025-03-04 09:17:27 714

原创生成与鼓励：解决多模态情绪识别对话中类别失衡的有效框架

近年来，智能个人助理（IPAs）已成为人机交互中的重要工具，具有语音助理、虚拟客户服务和导航等广泛的应用前景。捕捉和理解用户突出的情感需求对于提高IPA的服务质量非常重要。在对话过程中自动识别和跟踪说话者情绪状态的多模式情绪识别（MMERC），已成为构建情绪识别的重要组成部分，引起越来越多的关注。目前在这一领域的研究是基于跨模态和单模态相互作用的图模拟。然而，这些方法忽略了MMERC中固有的高度不平衡的类问题，导致模型的泛化能力下降，无法有效识别少数情绪类别。

2025-02-25 09:44:46 922

原创 Adversarial alignment and graph fusion via information bottleneck for multimodal emotion recognition

随着社交媒体和人机交互技术的快速发展，对话中的多模态情感识别（MERC）任务开始受到广泛的研究关注。MERC的任务是从不同的模式中提取和融合互补的语义信息，从而对说话者的情绪进行分类。然而，现有的特征融合方法通常直接将其他模态的特征映射到同一特征空间中进行信息融合，这并不能消除不同模态之间的异质性，使后续的情绪类边界学习更加困难。此外，现有的图对比学习方法通过最大化多个视图之间的互信息来获得一致的特征表示，这可能会导致模型的过拟合。为了解决上述问题，我们提出了一种新的。

2025-02-19 15:29:52 283

原创多模态对齐和融合综述

这项调查全面回顾了机器学习中多模态对齐和融合的最新进展，即机器学习中多模态对齐和融合的发展。多模态集成通过利用不同模式之间的互补信息，以及在数据有限的情况下促进知识转移，从而提高了模型的准确性和更广泛的适用性。我们系统地分类和分析现有的对齐和融合技术，从200多篇相关论文的广泛回顾中获得见解。此外，该调查还解决了多模态数据集成的挑战——包括对齐问题、噪声弹性和特征表示方面的差异——同时关注于在社交媒体分析、医学成像和情感识别等领域的应用。所提供的见解旨在指导未来的研究，以优化多模态学习系统。

2025-02-17 19:56:17 1931 2

原创 A Persona-Infused Cross-Task Graph Network for Multimodal Emotion Recognition with Emotion Shift

近年来，多模态情绪识别（MERC）的研究主要集中在多模态融合和说话者感知上下文建模上。除了上下文信息外，人格特征也会影响情绪感知。然而，目前的MERC方法只考虑说话者的人格影响，忽略了说话者与收听者的互动模式。此外，情绪转移（ES）的瓶颈问题，即同一说话者的连续话语表现出不同的情绪，在MERC中一直被忽视。早期的ES研究未能区分不同的转移模式，只是简单地介绍了转移是否作为知识发生在MERC模型中，而没有考虑这两个任务的互补性。在此基础上，我们提出了一个注入人物人格的跨任务图网络**（PCGNet）。

2024-12-16 17:44:18 872

原创 Multi-Task Learning for Emotion Recognition in Conversation with Emotion Shift

我们提出了一种新的多任务学习模型，称为MtlERC-ES，它可以同时识别三个任务：对话中的情绪识别（ERC）、情绪转移（ES）和语义分类（SC）。

2024-12-10 17:47:38 1133

原创 CFN-ESA: A Cross-Modal Fusion Network With Emotion-Shift Awareness for Dialogue Emotion Recognition

对话中的多模态情感识别（ERC）越来越受到各领域研究界的关注。在本文中，我们提出了一种具有情感转移感知（CFNESA）的跨模态融合网络。现有的方法平等地使用每种模态，但不区分这些模式中的情绪信息量，这使得很难从多模态数据中充分提取互补信息。为了解决这一问题，在CFN-ESA中，我们将文本模式作为情感信息的主要来源，而将视觉和声学模式作为次要来源。此外，大多数多模态ERC模型忽略了情绪转移信息，过度关注了上下文信息，导致了情绪转移情景下的情绪识别失败。我们精心设计了一个情绪转换模块来解决这一挑战。

2024-12-09 16:54:27 855

原创 Harmonizing Code-mixed Conversations: Personality-assisted Code-mixed Response Generation in Dialogu

语码混合，即在单一对话中融合多种语言，是响应生成中的一个独特挑战。捕捉语码混合的复杂性是一项艰巨的任务，因为其变体受个人说话风格和文化背景的广泛影响。在这项研究中，我们探索了语码混合对话中的响应生成。我们引入了一种新的方法，利用从对话中以无监督方式获取的大五人格特质来增强响应生成的性能。这些推断的人格属性通过一种新的融合机制PA3无缝地融入对话背景中。PA3采用了有效的两步注意力公式来融合对话和人格信息。这种融合不仅增强了生成响应的上下文相关性，还提升了模型的整体性能。

2024-07-03 11:16:20 909

原创 Is ChatGPT a Good Personality Recognizer? A Preliminary Study？

近年来，个性被视为一种有价值的个人因素，已被纳入情感分析和产品推荐等众多任务中。这引起了对基于文本的个性识别任务的广泛关注，旨在根据给定文本识别个人的个性。考虑到ChatGPT最近在各种自然语言处理任务中表现出显著能力，我们对ChatGPT在基于文本的个性识别任务中的表现进行了初步评估，以生成有效的个性数据。具体来说，我们采用了多种提示策略来探索ChatGPT从给定文本中识别个性的能力，尤其是我们设计的层次化提示策略，用于指导ChatGPT在指定层次分析给定文本。

2024-07-01 11:19:59 885

原创 Personality prediction from task‑oriented and open‑domain human–machine dialogues

如果对话系统能够从对话中预测用户的性格，它将能够根据用户的性格进行调整，从而提高任务成功率和用户满意度。在一项最新研究中，通过使用迈尔斯-布里格斯类型指标（MBTI）性格特征和端到端（基于神经网络）的系统进行任务导向的人机对话进行性格预测。然而，尚不清楚这种预测是否适用于其他类型的系统和用户性格特征。为了弄清这一点，我们招募了378名参与者，要求他们填写涵盖25种性格特征的四份性格问卷，并让他们与一个流水线任务导向对话系统或端到端任务导向对话系统进行三轮人机对话。

2024-06-26 16:33:00 1180 1

原创 A Data Set of Synthetic Utterances for Computational Personality Analysis

人类人格的计算分析主要集中在五大人格理论上，尽管心理动力学方法具有丰富的理论基础和与各种任务的相关性，但它几乎不存在。在这里，我们提供了4972个合成话语的数据集，与心理动力学方法描述的大五人格维度相对应：抑郁、强迫症、偏执、自恋和反社会精神变态。这些话语是通过人工智能产生的，具有深刻的理论方向，激发了GPT-4提示的设计。该数据集已经通过14个测试进行了验证，它可能与人类人格的计算研究和数字领域中真实人格的设计有关，从游戏到电影角色的艺术生成。人类的人格涉及到相对稳定的思维、情绪和行为模式。它们是。

2024-06-24 15:07:16 1212

原创 Dynamic Extraction of Subdialogues for Dialogue Emotion Recognition

对话中的情绪识别（ERC）的目的是识别对话中每一个话语中所表达的情绪。然而，以往的一些方法并没有充分考虑到对话中每个说话者的话语和目标话语的相对位置信息对情绪分析的影响，也忽略了不同子主题下目标话语所表达的情绪的差异。我们引入了一种动态提取子对话（DESD）方法的情绪识别来解决这些问题。该方法利用每个说话者的话语和摘要话语的相对位置信息来提取子对话。通过考虑每个说话者对情感表达的贡献，我们可以更准确地捕捉到对话中的情绪动态。此外，我们还提取了子对话的主题信息，以捕捉不同的子主题对目标话语情绪的影响。通过在四

2024-05-08 22:21:28 1236 1

原创 Personality Enhanced Emotion Generation Modeling for Dialogue Systems

为了创造更具吸引力和真实性的互动体验，有必要考虑个性对情感生成的影响。本文提出了一种创新方法，将个性建模与对话系统的情感生成相结合。通过将个性特征纳入情感生成过程中，我们旨在创造更加个性化和与上下文相符的情感响应。基于大五人格模型和情感计算技术，我们的模型考虑了个性的个体差异，以生成与每个用户独特特征相一致的情感。

2024-02-29 11:37:00 1163

原创 Cluster-Level Contrastive Learning for Emotion Recognition in Conversations

我们提出了一种新的低维监督聚类级对比学习（SCCL）方法，该方法首先将高维SCL空间简化为三维情感表示空间的效价-唤醒-优势（VAD），然后执行聚类级对比学习，以纳入可测量的情感原型。为了帮助建模对话和丰富上下文，我们利用预先训练过的知识适配器来注入语言和事实知识。

2024-02-28 11:32:17 1043 1

原创 SUNET: Speaker-utterance interaction Graph Neural Network for Emotion Recognition in Conversations

摘要：在对话中进行情感识别（ERC）能够捕捉说话者在多轮对话中的情感变化，因此具有广泛的应用。近年来，由于图神经网络具有捕捉复杂的非欧几里德空间特征的能力，它们在ERC任务中被自然地广泛使用。然而，如何轻松有效地建模对话以提高ERC在复杂交互模式中的效果仍然需要探索。为此，我们提出了一种新的方法，构建了一个说话者-话语交互异构网络，有效地对上下文进行建模，同时考虑了说话者的全局特征。在此基础上，我们提出了一种基于说话者和相应话语交互的图神经网络，根据说话者的发言顺序动态更新话语和说话者的表示。

2024-02-27 15:00:40 1112

原创 Automatically Select Emotion for Response via Personality-affected Emotion Transition

摘要：在情绪对话系统中，大多数现有的工作侧重于在回复中呈现指定的情绪，或对用户的情绪做出共情回复，但却忽略了情绪表达的个体差异。文章建议为对话系统配备人格，通过模拟人类在对话中的情绪转换，使其能够自动选择回复的情绪。详细来说，对话系统的情绪是由其前面的情绪过渡到上下文中。这种转换是由前面的对话环境触发的，并受指定的人格特征影响。为了实现这一目标，文章首先将对话系统中的情绪转换建模为前一情绪和回复情绪在情感空间（Valence-Arousal-Dominance，VAD）中的变化。然后，设计了神经网络来编码前

2024-02-25 15:37:18 1105

原创 Contrast and Generation Make BART a Good Dialogue Emotion Recognizer

在对话系统中，具有相似语义的话语在不同的语境下可能具有不同的情感。因此，用说话者依赖来建模长期情境情绪关系在对话情绪识别中起着至关重要的作用。同时，区分不同的情绪类别也不是很简单的，因为它们通常具有语义上相似的情绪。为此，我们采用监督对比学习，使不同的情绪相互排斥，从而更好地识别相似的情绪。同时，我们利用一个辅助反应生成任务来增强模型处理上下文信息的能力，从而迫使模型在不同的上下文中识别具有相似语义的情绪。为了实现这些目标，我们使用预先训练好的编码器-解码器模型BART作为我们的主干模型，因为它非常适合于理

2023-12-07 08:56:55 248

原创 DualGATs: Dual Graph Attention Networks for Emotion Recognition in Conversations

捕捉复杂的语境依赖关系在对话中的情感识别（ERC）中起着至关重要的作用。以往的研究主要集中在说话者感知的语境建模上，而忽略了对话的话语结构。在本文中，我们引入了双图注意网络（DualGATs）来同时考虑话语结构和说话人感知语境的互补方面，旨在实现更精确的ERC。具体来说，我们设计了一个话语意识GAT（DisGAT）模块，通过分析话语间的话语依赖性来整合话语结构信息。此外，我们开发了一个说话者感知的GAT（SpkGAT）模块，通过考虑说话者在话语之间的依赖性来整合说话者感知的上下文信息。

2023-11-27 17:24:45 910 1

原创 PIRNet: Personality-Enhanced Iterative Refinement Network for Emotion Recognition in Conversation

对话中的情感识别（ERC）对于增强人机交互中的用户体验具有重要意义。与个体话语中的普通情绪识别不同，ERC的目的是将对话中的组成话语分类为相应的情绪标签，这使得上下文信息至关重要。除了情境信息外，个性特征也会影响基于心理发现的情绪感知。虽然研究人员已经提出了几种方法，并在ERC上取得了良好的结果，但目前在这一领域的工作很少纳入背景信息和个性影响。为此，我们提出了一个新的框架来无缝地整合这些因素，称为“个性增强迭代细化网络（PIRNet）”。具体来说，PIRNet是一种多阶段的迭代方法。

2023-11-22 16:36:27 1175

原创 Speaker-Guided Encoder-Decoder Framework for Emotion Recognition in Conversation

对话中的情绪识别（ERC）任务的目的是预测会话中一个话语的情绪标签。由于说话者之间的依赖关系是复杂和动态的，包括说话者内部和间的依赖关系，因此说话者特定信息的建模在ERC中起着至关重要的作用。虽然现有的研究者提出了多种说话者交互建模方法，但他们不能共同探索说话人内部和说话人间的动态依赖，导致上下文语境理解不足，进一步阻碍了情绪预测。为此，我们设计了一种新的说话者建模方案，以动态的方式共同探索说话者内部和间的依赖关系。

2023-11-21 10:28:00 157

原创 Multi-behavior Recommendation with Graph Convolutional Networks

摘要传统的推荐模型通常只使用一种用户-项目交互，但面临着严重的数据稀疏性或冷启动问题。使用多种类型的用户-项目交互，如点击和收藏，可以作为一种有效的解决方案。早期对多行为推荐的努力未能捕捉到行为对目标行为的不同影响强度。它们还忽略了多行为数据中隐含的行为语义。这两个限制都使得数据没有被充分利用来改进目标行为上的推荐性能。在这项工作中，我们通过创新地构建一个统一的图来表示多行为数据，并提出了一个新的模型MBGCN（多行为图卷积网络）来解决这个问题。通过用户-项目传播层学习行为强度，通过项目-项目传播层捕获

2022-05-24 19:06:12 2198

原创 Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation

摘要对比学习(CL)最近在推荐领域激发了富有成效的研究，因为它从原始数据中提取自我监督信号的能力与推荐系统解决数据稀疏性问题的需求非常一致。基于CL的推荐模型的一个典型途径是首先用结构扰动去进行增强用户-项目二部图，然后最大化不同图增强之间的节点表示一致性。尽管这种模式被证明是有效的，但性能提高的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更统一的用户/项目表示来操作，这可以隐式地减轻流行偏差。同时，我们揭示了过去被认为是必要的，只是发挥一个微不足道的作用。.

2022-04-15 23:05:35 3308 4

原创 Contrastive Graph Learning for Social Recommendation

摘要：由于图神经网络(GNN)在高阶连通性学习表示方面的优势，基于GNN的协同过滤在推荐系统中得到了广泛的应用。此外，为了克服数据稀疏性问题，最近一些基于GNN的模型尝试将社交信息纳入其中，并设计对比学习作为辅助任务，以协助主要推荐任务。现有的GNN和基于对比学习的推荐模型以对称的方式学习用户和项目表示，并以复杂的方式利用社会信息和对比学习。上述两种策略导致这些模型要么对于用户和项之间严重不平衡的数据集无效，要么对于用户和项太多的数据集效率低下。在这项工作中，我们提出了一个对比图学习(CGL)模型，它以一

2022-04-13 18:46:26 1623

原创 Supervised Contrastive Learning For Recommendation

摘要：我们的目的是充分考虑对比学习在推荐系统场景中的应用，使其更适合于推荐任务。我们提出了一个监督对比学习框架来预训练用户-项目二部图，然后对图卷积神经网络进行微调。具体来说，我们将在数据预处理过程中比较用户与物品之间的相似度，然后在应用对比学习时，不仅将扩增视图视为正样本，还将一定数量的相似样本视为正样本，这与SimCLR不同，SimCLR将一批中的其他样本视为负样本。我们将这种学习方法称为监督对比学习(SCL)，并将其应用于最先进的LightGCN。此外，为了考虑节点交互的不确定性，我们还提出了一种.

2022-03-28 20:19:44 2192 2

原创 Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning

摘要近年来，图协同过滤方法被提出作为一种有效的推荐方法，它可以通过建模用户-项目交互图来捕获用户对项目的偏好。尽管这些方法有效，但在实际场景中存在数据稀疏性。为了减少数据稀疏性的影响，在图协同过滤中采用了对比学习的方法来提高性能。然而，这些方法通常采用随机采样的方式构建对比对，忽略了用户（或项目）之间的相邻关系，不能充分利用推荐中对比学习的潜力。为了解决上述问题，我们提出了一种新的对比学习方法，即邻域增强对比学习，即NCL，它明确地将潜在的邻合并到对比对中。具体来说，我们分别从图结构和语义空间中引入一.

2022-03-18 14:31:07 3704 3

原创 Contrastive Meta Learning with Behavior Multiplicity for Recommendation

摘要一个好的推荐框架不仅可以帮助用户识别他们感兴趣的项目，还可以使得各种在线平台（如电子商务、社交媒体）从中获益。传统的推荐模型通常假设用户和项目之间只存在一种类型的交互，并且无法从多类型的用户行为数据建模多种用户-项目关系，如页面浏览、收藏和购买。虽然最近的一些研究提出了捕捉不同类型行为之间的依赖关系，但有两个重要的挑战较少探索：i) 处理目标行为（如购买）下的稀疏监督信号。ii) 通过指定的依赖关系建模来捕获个人的多行为模式。我们设计了一个新的模型CML，对比元学习(CML)，为不同的用户维护.

2022-03-11 20:38:33 3986 6

原创 Socially-Aware Self-Supervised Tri-Training for Recommendation

摘要自监督学习(SSL)可以从原始数据中自动生成真实样本，在改进推荐系统方面具有巨大的潜力。现有的基于ssl的方法通过节点/边dropout干扰原始数据图，生成新的数据视图，然后对不同视图进行基于对比学习的自识别，学习通用的表示。在该模式下，只在两个不同视图的节点之间建立一个双射映射，说明忽略了来自其他节点的自监督信号。由于在推荐系统中被广泛观察到的同质性，我们认为来自其他节点的监督信号也很有可能有利于推荐的表示学习。为了捕获这些信号，本文提出了一种集成三种训练的通用社会感知SSL框架。从技术上讲，我们.

2021-12-23 08:39:32 3003

原创 Self-supervised Graph Learning for Recommendation

对于推荐来说，用户-商品图的表示学习已经从使用单个ID或交互历史发展到利用高阶邻居，这导致了图卷积网络(GCNs)的成功推荐，如PinSage和LightGCN。尽管有效，但我们认为它们存在两个局限性：（1）高阶节点对表示学习有更大的影响，恶化了低阶（长尾）商品的推荐；（2）因为邻域聚合方案进一步扩大了观察边缘的影响，表示容易受到噪声交互的影响。在本研究中，我们探索了在用户-商品图上的自监督学习，以提高GCN作为推荐的准确性和鲁棒性。该思想是用一个辅助的自我监督任务来补充经典的推荐监督任务，通过自我鉴别.

2021-11-29 14:34:16 5009

原创 python、pytorch代码笔记

文件读写：①rb – 读取二进制文件，r – 读取文本文件 ②.pkl是python保存文件的一种文件格式，如果直接打开会显示一堆序列化的东西，需要使用r b类型来打开。③with open(‘data.txt’ + ‘dataset.pkl’, ‘rb’) as f 读取文件④mat 数据格式是Matlab的数据存储的标准格式loadmat() 读取.mat文件eg: import scipy.io as sciodataFile = ‘E://data.mat’data = sci..

2021-10-19 10:51:47 365

原创 Social Recommendation with Implicit Social Influence

Social Recommendation with Implicit Social Influence摘要社会影响对社会建议至关重要。目前基于影响的社交推荐安全驻点在于对观察到的社会联系的显式影响。然而，在实际情况下，隐性的社交影响也会以一种未被观察到的方式影响用户的偏好。在这项工作中，我们关注两种隐性影响：未观察到的人际关系的局部隐性影响，以及项目传播给用户的全局隐性影响。我们通过分别建模两种隐性影响，改进了最先进的基于GNN的社交推荐方法。局部隐性影响是通过预测未观察到的社会关系来实现的。全局隐性

2021-10-17 11:14:51 1547 3

原创 Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method

摘要：最近对图卷积网络(GCNs)的研究揭示了局部自适应的有用性，它使调整邻居对目标节点表示的贡献成为可能。现有的工作通常通过引入一个额外的模块，如图注意力，它学习邻居节点的权重，去实现局部自适应。然而，这种方法在实际中效率不好，因为拟合训练数据并不一定会导致合理的局部自适应，特别是在数据标记很少的情况下。在一个正交的方向上，这项工作探索了如何在模型推理阶段实现局部自适应，这是一个很少得到关注的新角度。保持训练阶段不变性是普遍的主要优点——它可以应用于大多数GCNs，并提高其推断精度。给定一个训练过的G

2021-10-07 09:48:46 1062

个性增强迭代细化网络用于对话情绪识别

SUNET: Emotion Recognition in Conversations

gson所需jar包

微信开发所需jar包

springmvc，hibernate的校验框架validation所需要的validation-api-1.0.0.GA.jar包

springmvc，hibernate的校验框架validation所需要的jboss-logging-3.1.1.GA.jar包

springmvc，hibernate的校验框架validation所需要的重要jar包

空空如也