Multitask classification across psychological models of emotion and affect

Abstract

The classification of emotions from text is usually done on basis of a single psychological model of emotion and affect with a singletask classifier. The goal of this bachelor thesis is to evaluate the merit of multitask learning across emotion models. Here, a multitask approach is taken, where multiple data sets, each annotated on basis of a different psychological model, are trained in a multiheaded neural network. Comparing the F1-score / mean-squared-error of the multitask classifiers to the singletask classifiers show no improvement.

Die Klassifizierung von Emotionen aus Text wird normalerweise auf Basis eines einzelnen psychologischen Modells von Emotion und Affekt mit einem singletask Klassifizierer erwirkt. Das Ziel dieser Bachelorarbeit ist es, den Vorzug vom multitask Lernen von Emotionsmodellen zu evaluieren. Hierbei wird ein multitask Ansatz genommen, bei dem mehrere Datensätze, die jeweils auf Basis unterschiedlicher psychologischer Modelle annotiert wurden, in einem mehrköpfigen neuronalem Netzwerk trainiert werden. Der Vergleich des F-Maß / mittleren quadratischen Fehlers der multitask Klassifizierer und der singletask Klassifizierer zeigt keine Verbesserung.