A journey in representation learning textual emotion detection and structural graph encodings

Mostra el registre complet Registre parcial de l'ítem

• dc.contributor.author Álvarez González, Francisco Nurudín
• dc.contributor.other Kaltenbrunner, Andreas
• dc.contributor.other Gómez, Vicenç
• dc.contributor.other Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
• dc.date.accessioned 2024-10-16T10:25:06Z
• dc.date.available 2024-10-16T10:25:06Z
• dc.date.issued 2024-06-21T14:27:27Z
• dc.date.issued 2024-06-21T14:27:27Z
• dc.date.issued 2024-03-20
• dc.date.modified 2024-06-21T15:27:31Z
• dc.description.abstract Representation learning is the field of modern machine learning focused on automatically producing useful representations from data. This thesis studies the impact of data volumes, annotation perspectives, and structural properties on learnable representations for textual emotion detection and structural graph encodings. On emotion detection, we investigate how different text representations and model choices affect performance on two large emotion datasets. We assess the impact of different annotation approaches by studying differences between how writers express and readers perceive emotions. On graph representations, we propose two encodings of ego-network subgraphs and analyze their theoretical properties. Our encodings can act as input features or leveraged during learning, boosting the theoretical expressivity of message-passing and subgraph neural network architectures. On several large experimental benchmarks, we find they also improve the predictive performance and efficiency of popular graph models. Our work deepens the practical understanding of learnable representations on both domains.
• dc.description.abstract El aprendizaje de representaciones estudia cómo producir representaciones útiles a partir de datos. Esta tesis estudia el impacto del volumen de datos, las perspectivas de anotación y las propiedades estructurales en representaciones para la detección textual de emociones y la representación de estructuras en grafos. En detección emocional, investigamos cómo las representaciones del texto y arquitecturas de modelado afectan al rendimiento predictivo en dos conjuntos de datos emocionales a gran escala. Evaluamos el impacto de diferentes enfoques de anotación estudiando diferencias entre cómo los autores expresan y los lectores perciben emociones. Para representar grafos, proponemos dos representaciones de redes 'ego' y analizamos sus propiedades teóricas. Nuestras representaciones pueden actuar como características de entrada o aprovecharse durante el aprendizaje, aumentando la expresividad de redes neuronales en grafos. Empiricamente, nuestras representaciones mejoran el rendimiento predictivo de modelos populares en grafos. En conjunto, nuestro trabajo profundiza el conocimiento práctico sobre las representaciones en ambos dominios.
• dc.description.abstract Programa de Doctorat en Tecnologies de la Informació i les Comunicacions
• dc.format 192 p.
• dc.format application/pdf
• dc.identifier http://hdl.handle.net/10803/691492
• dc.identifier.uri http://hdl.handle.net/10230/61476
• dc.language.iso eng
• dc.publisher Universitat Pompeu Fabra
• dc.rights L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-sa/4.0/
• dc.rights http://creativecommons.org/licenses/by-sa/4.0/
• dc.rights info:eu-repo/semantics/openAccess
• dc.source TDX (Tesis Doctorals en Xarxa)
• dc.subject.keyword Representation learning
• dc.subject.keyword Natural language processing
• dc.subject.keyword Emotion detection
• dc.subject.keyword Social media analysis
• dc.subject.keyword Graph neural networks
• dc.subject.keyword Graph isomorphism detection
• dc.subject.keyword Ego-networks
• dc.subject.keyword Weisfeiler-lehman
• dc.subject.keyword Expressivity
• dc.subject.keyword Aprendizaje de representaciones
• dc.subject.keyword Procesamiento de lenguaje natural
• dc.subject.keyword Detección de emociones
• dc.subject.keyword Análisis en redes sociales
• dc.subject.keyword Redes neuronales en grafos
• dc.subject.keyword Isomorfismo de grafos
• dc.subject.keyword Redes ego
• dc.subject.keyword Expresividad
• dc.subject.keyword 004
• dc.subject.keyword 616.8
• dc.title A journey in representation learning textual emotion detection and structural graph encodings
• dc.type info:eu-repo/semantics/doctoralThesis
• dc.type info:eu-repo/semantics/publishedVersion