补全历史关键情绪缺失
该网络利用上下文信息和社会影响来推断历史关键时刻个体缺失的情绪状态。
Sai, Kang · 杜亚军 · Xianyong, Li · 陈晓亮 · 谢春芝 · 刘嘉 · Lee, Yanli
Applied Soft Computing Journal 2025
通过融合周围和上下文特征，SCAEC 能够推断个体在历史关键时刻缺失的情绪状态，填补现有方法的空白。
使用多头注意力机制从情绪缺失时刻前后的帖子/评论中捕捉关键情感特征作为局部特征，同时利用 DLSTM 提取全局特征，从而提高推断准确性。
情感分布层模拟个体与周围环境之间的情感互动，使得推断的结果更符合社交网络中的真实情感传播机制。
在 X 和微博数据集上 F1 分别达到 67.52% 和 68.98%，较基线方法提升 1%–10%。