“Emotion Classification with Visibility Graphs” başlıklı çalışmamız IEEE Signal Processing Letters dergisinde yayımlanmıştır.
Çalışmada, dönüştürücülerin sabit bağlam pencerelerinin ötesine geçen ve metin içindeki genel ilişkileri yakalayan, görünürlük çizgesine dayalı ardışık bir modelleme yaklaşımı önerilmektedir. Yöntem, herhangi bir dönüştürücü tabanlı modele eklenebilen modüler bir çizge uzantısı olarak çalışmakta ve bu modellerin SemEval2018 ile GoEmotions gibi yaygın büyük ölçekli veri setlerinde en güncel yöntemleri geride bırakmasını sağlamaktadır.
Makale: https://ieeexplore.ieee.org/document/10985783
Kod: https://github.com/koc-lab/EmoVis
Özet:
Dönüştürücüler, temsil güçleri ve başarımları nedeniyle doğal dil işlemede öne çıkmıştır. Dönüştürücüler doğal dili sınırlı bağlam pencereleri üzerinde bir dizi olarak işler, ancak bu pencerelerin ötesindeki sözcükler arası genel ilişkiler yalnızca dizi işleme ile tam olarak modellenemez. Bu sorunu hafifletmek için, sinir ağlarına geometrik uzantılar getiren ve metin içindeki ilişkilerin öğrenilmesini sağlayan çizge sinir ağı (GNN) tabanlı modeller önerilmiştir. Ancak sıradan çizge tabanlı yöntemler metnin ardışık yapısını göz ardı eder. Bu çalışmada, klasik zaman serisi bilgisini çizge temsillerine dönüştüren görünürlük çizgelerini kullanan ilk genel çizge tabanlı sinir ağı olan EmoVis önerilmektedir. Problem bir duygu sınıflandırma görevi olarak ele alınmış ve modelin etiketler ile cümledeki sözcükler arasındaki ilişkileri öğrenmesi sağlanmıştır. EmoVis, herhangi bir dönüştürücü tabanlı modele modüler bir çizge uzantısı olarak eklenebilmekte ve farklı dillerde bu modellerin başarımını ve öğrenme yeteneğini belirgin biçimde artırmaktadır. Deneyler, EmoVis’in dönüştürücü tabanlı modellerin SemEval2018 yarışma veri setlerinde farklı dillerdeki üç veri setinde ve GoEmotions veri setinde en güncel yöntemleri geride bırakmasını sağladığını göstermektedir.