@inproceedings{gendron-guibon-2024-sec,
title = "{SEC} : contexte {\'e}motionnel phrastique int{\'e}gr{\'e} pour la reconnaissance {\'e}motionnelle efficiente dans la conversation",
author = {Gendron, Barbara and
Guibon, Ga{\"e}l},
editor = "Balaguer, Mathieu and
Bendahman, Nihed and
Ho-dac, Lydia-Mai and
Mauclair, Julie and
G Moreno, Jose and
Pinquier, Julien",
booktitle = "Actes de la 31{\`e}me Conf{\'e}rence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position",
month = "7",
year = "2024",
address = "Toulouse, France",
publisher = "ATALA and AFPC",
url = "https://aclanthology.org/2024.jeptalnrecital-taln.15",
pages = "219--233",
abstract = "L{'}essor des mod{\`e}les d{'}apprentissage profond a apport{\'e} une contribution significative {\`a} la reconnaissance des {\'e}motions dans les conversations (ERC). Cependant, cette t{\^a}che reste un d{\'e}fi important en raison de la pluralit{\'e} et de la subjectivit{\'e} des {\'e}motions humaines. Les travaux ant{\'e}rieurs sur l{'}ERC fournissent des mod{\`e}les pr{\'e}dictifs utilisant principalement des repr{\'e}sentations de la conversation bas{\'e}es sur des graphes. Dans ce travail, nous proposons une fa{\c{c}}on de mod{\'e}liser le contexte conversationnel que nous incorporons {\`a} une strat{\'e}gie d{'}apprentissage de m{\'e}trique, avec un processus en deux {\'e}tapes. Cela permet d{'}effectuer l{'}ERC dans un sc{\'e}nario de classification flexible et d{'}obtenir un mod{\`e}le l{\'e}ger et efficace. En utilisant l{'}apprentissage de m{\'e}trique {\`a} travers une architecture de r{\'e}seau siamois, nous obtenons un score de macroF1 de 57,71 pour la classification des {\'e}motions dans les conversations sur le jeu de donn{\'e}es DailyDialog, ce qui surpasse les travaux connexes. Ce r{\'e}sultat {\'e}tat-de-l{'}art est prometteur en ce qui concerne l{'}utilisation de l{'}apprentissage de m{\'e}trique pour la reconnaissance des {\'e}motions, mais est perfectible au regard du microF1 obtenu.",
language = "French",
}
<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="gendron-guibon-2024-sec">
<titleInfo>
<title>SEC : contexte émotionnel phrastique intégré pour la reconnaissance émotionnelle efficiente dans la conversation</title>
</titleInfo>
<name type="personal">
<namePart type="given">Barbara</namePart>
<namePart type="family">Gendron</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Gaël</namePart>
<namePart type="family">Guibon</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2024-07</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">French</languageTerm>
<languageTerm type="code" authority="iso639-2b">fre</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position</title>
</titleInfo>
<name type="personal">
<namePart type="given">Mathieu</namePart>
<namePart type="family">Balaguer</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Nihed</namePart>
<namePart type="family">Bendahman</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Lydia-Mai</namePart>
<namePart type="family">Ho-dac</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julie</namePart>
<namePart type="family">Mauclair</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Jose</namePart>
<namePart type="family">G Moreno</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Julien</namePart>
<namePart type="family">Pinquier</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA and AFPC</publisher>
<place>
<placeTerm type="text">Toulouse, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>L’essor des modèles d’apprentissage profond a apporté une contribution significative à la reconnaissance des émotions dans les conversations (ERC). Cependant, cette tâche reste un défi important en raison de la pluralité et de la subjectivité des émotions humaines. Les travaux antérieurs sur l’ERC fournissent des modèles prédictifs utilisant principalement des représentations de la conversation basées sur des graphes. Dans ce travail, nous proposons une façon de modéliser le contexte conversationnel que nous incorporons à une stratégie d’apprentissage de métrique, avec un processus en deux étapes. Cela permet d’effectuer l’ERC dans un scénario de classification flexible et d’obtenir un modèle léger et efficace. En utilisant l’apprentissage de métrique à travers une architecture de réseau siamois, nous obtenons un score de macroF1 de 57,71 pour la classification des émotions dans les conversations sur le jeu de données DailyDialog, ce qui surpasse les travaux connexes. Ce résultat état-de-l’art est prometteur en ce qui concerne l’utilisation de l’apprentissage de métrique pour la reconnaissance des émotions, mais est perfectible au regard du microF1 obtenu.</abstract>
<identifier type="citekey">gendron-guibon-2024-sec</identifier>
<location>
<url>https://aclanthology.org/2024.jeptalnrecital-taln.15</url>
</location>
<part>
<date>2024-7</date>
<extent unit="page">
<start>219</start>
<end>233</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T SEC : contexte émotionnel phrastique intégré pour la reconnaissance émotionnelle efficiente dans la conversation
%A Gendron, Barbara
%A Guibon, Gaël
%Y Balaguer, Mathieu
%Y Bendahman, Nihed
%Y Ho-dac, Lydia-Mai
%Y Mauclair, Julie
%Y G Moreno, Jose
%Y Pinquier, Julien
%S Actes de la 31ème Conférence sur le Traitement Automatique des Langues Naturelles, volume 1 : articles longs et prises de position
%D 2024
%8 July
%I ATALA and AFPC
%C Toulouse, France
%G French
%F gendron-guibon-2024-sec
%X L’essor des modèles d’apprentissage profond a apporté une contribution significative à la reconnaissance des émotions dans les conversations (ERC). Cependant, cette tâche reste un défi important en raison de la pluralité et de la subjectivité des émotions humaines. Les travaux antérieurs sur l’ERC fournissent des modèles prédictifs utilisant principalement des représentations de la conversation basées sur des graphes. Dans ce travail, nous proposons une façon de modéliser le contexte conversationnel que nous incorporons à une stratégie d’apprentissage de métrique, avec un processus en deux étapes. Cela permet d’effectuer l’ERC dans un scénario de classification flexible et d’obtenir un modèle léger et efficace. En utilisant l’apprentissage de métrique à travers une architecture de réseau siamois, nous obtenons un score de macroF1 de 57,71 pour la classification des émotions dans les conversations sur le jeu de données DailyDialog, ce qui surpasse les travaux connexes. Ce résultat état-de-l’art est prometteur en ce qui concerne l’utilisation de l’apprentissage de métrique pour la reconnaissance des émotions, mais est perfectible au regard du microF1 obtenu.
%U https://aclanthology.org/2024.jeptalnrecital-taln.15
%P 219-233
Markdown (Informal)
[SEC : contexte émotionnel phrastique intégré pour la reconnaissance émotionnelle efficiente dans la conversation](https://aclanthology.org/2024.jeptalnrecital-taln.15) (Gendron & Guibon, JEP/TALN/RECITAL 2024)
ACL