Dissertation/ Thesis
Προβολή σε EDS

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

Λεπτομέρειες βιβλιογραφικής εγγραφής
Τίτλος: A journey in representation learning textual emotion detection and structural graph encodings
Συγγραφείς: Álvarez González, Francisco Nurudín
Συνεισφορές: University/Department: Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
Thesis Advisors: Kaltenbrunner, Andreas, Gómez, Vicenç
Πηγή: TDX (Tesis Doctorals en Xarxa)
Στοιχεία εκδότη: Universitat Pompeu Fabra, 2024.
Έτος έκδοσης: 2024
Φυσική περιγραφή: 192 p.
Θεματικοί όροι: Representation learning, Natural language processing, Emotion detection, Social media analysis, Graph neural networks, Graph isomorphism detection, Ego-networks, Weisfeiler-lehman, Expressivity, Aprendizaje de representaciones, Procesamiento de lenguaje natural, Detección de emociones, Análisis en redes sociales, Redes neuronales en grafos, Isomorfismo de grafos, Redes ego, Expresividad
Time: 616.8
Περιγραφή: 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.
Description (Translated): 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.
Programa de Doctorat en Tecnologies de la Informació i les Comunicacions
Τύπος εγγράφου: Dissertation/Thesis
Περιγραφή αρχείου: application/pdf
Γλώσσα: English
Σύνδεσμος πρόσβασης: http://hdl.handle.net/10803/691492
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/
Αριθμός Καταχώρησης: edstdx.10803.691492
Βάση Δεδομένων: TDX
FullText Text:
  Availability: 0
CustomLinks:
  – Url: http://hdl.handle.net/10803/691492#
    Name: EDS - TDX (ns324271)
    Category: fullText
    Text: View record in TDX
Header DbId: edstdx
DbLabel: TDX
An: edstdx.10803.691492
RelevancyScore: 1379
AccessLevel: 3
PubType: Dissertation/ Thesis
PubTypeId: dissertation
PreciseRelevancyScore: 1378.57360839844
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: A journey in representation learning textual emotion detection and structural graph encodings
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Álvarez+González%2C+Francisco+Nurudín%22">Álvarez González, Francisco Nurudín</searchLink>
– Name: Author
  Label: Contributors
  Group: Au
  Data: University/Department: Universitat Pompeu Fabra. Departament de Tecnologies de la Informació i les Comunicacions
– Name: Author
  Label: Thesis Advisors
  Group: Au
  Data: Kaltenbrunner, Andreas<br />Gómez, Vicenç
– Name: TitleSource
  Label: Source
  Group: Src
  Data: TDX (Tesis Doctorals en Xarxa)
– Name: Publisher
  Label: Publisher Information
  Group: PubInfo
  Data: Universitat Pompeu Fabra, 2024.
– Name: DatePubCY
  Label: Publication Year
  Group: Date
  Data: 2024
– Name: PhysDesc
  Label: Physical Description
  Group: PhysDesc
  Data: 192 p.
– Name: Subject
  Label: Subject Terms
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22Representation+learning%22">Representation learning</searchLink><br /><searchLink fieldCode="DE" term="%22Natural+language+processing%22">Natural language processing</searchLink><br /><searchLink fieldCode="DE" term="%22Emotion+detection%22">Emotion detection</searchLink><br /><searchLink fieldCode="DE" term="%22Social+media+analysis%22">Social media analysis</searchLink><br /><searchLink fieldCode="DE" term="%22Graph+neural+networks%22">Graph neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22Graph+isomorphism+detection%22">Graph isomorphism detection</searchLink><br /><searchLink fieldCode="DE" term="%22Ego-networks%22">Ego-networks</searchLink><br /><searchLink fieldCode="DE" term="%22Weisfeiler-lehman%22">Weisfeiler-lehman</searchLink><br /><searchLink fieldCode="DE" term="%22Expressivity%22">Expressivity</searchLink><br /><searchLink fieldCode="DE" term="%22Aprendizaje+de+representaciones%22">Aprendizaje de representaciones</searchLink><br /><searchLink fieldCode="DE" term="%22Procesamiento+de+lenguaje+natural%22">Procesamiento de lenguaje natural</searchLink><br /><searchLink fieldCode="DE" term="%22Detección+de+emociones%22">Detección de emociones</searchLink><br /><searchLink fieldCode="DE" term="%22Análisis+en+redes+sociales%22">Análisis en redes sociales</searchLink><br /><searchLink fieldCode="DE" term="%22Redes+neuronales+en+grafos%22">Redes neuronales en grafos</searchLink><br /><searchLink fieldCode="DE" term="%22Isomorfismo+de+grafos%22">Isomorfismo de grafos</searchLink><br /><searchLink fieldCode="DE" term="%22Redes+ego%22">Redes ego</searchLink><br /><searchLink fieldCode="DE" term="%22Expresividad%22">Expresividad</searchLink>
– Name: Subject
  Label: Time
  Group: Su
  Data: 616.8
– Name: Abstract
  Label: Description
  Group: Ab
  Data: 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.
– Name: Abstract
  Label: Description (Translated)
  Group: Ab
  Data: 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.<br />Programa de Doctorat en Tecnologies de la Informació i les Comunicacions
– Name: TypeDocument
  Label: Document Type
  Group: TypDoc
  Data: Dissertation/Thesis
– Name: Format
  Label: File Description
  Group: SrcInfo
  Data: application/pdf
– Name: Language
  Label: Language
  Group: Lang
  Data: English
– Name: URL
  Label: Access URL
  Group: URL
  Data: <link linkTarget="URL" linkTerm="http://hdl.handle.net/10803/691492" linkWindow="_blank">http://hdl.handle.net/10803/691492</link>
– Name: Copyright
  Label: Rights
  Group: Cpyrght
  Data: 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/
– Name: AN
  Label: Accession Number
  Group: ID
  Data: edstdx.10803.691492
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.691492
RecordInfo BibRecord:
  BibEntity:
    Languages:
      – Text: English
    PhysicalDescription:
      Pagination:
        PageCount: 192
    Subjects:
      – SubjectFull: Representation learning
        Type: general
      – SubjectFull: Natural language processing
        Type: general
      – SubjectFull: Emotion detection
        Type: general
      – SubjectFull: Social media analysis
        Type: general
      – SubjectFull: Graph neural networks
        Type: general
      – SubjectFull: Graph isomorphism detection
        Type: general
      – SubjectFull: Ego-networks
        Type: general
      – SubjectFull: Weisfeiler-lehman
        Type: general
      – SubjectFull: Expressivity
        Type: general
      – SubjectFull: Aprendizaje de representaciones
        Type: general
      – SubjectFull: Procesamiento de lenguaje natural
        Type: general
      – SubjectFull: Detección de emociones
        Type: general
      – SubjectFull: Análisis en redes sociales
        Type: general
      – SubjectFull: Redes neuronales en grafos
        Type: general
      – SubjectFull: Isomorfismo de grafos
        Type: general
      – SubjectFull: Redes ego
        Type: general
      – SubjectFull: Expresividad
        Type: general
    Titles:
      – TitleFull: A journey in representation learning textual emotion detection and structural graph encodings
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Álvarez González, Francisco Nurudín
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 20
              M: 03
              Type: published
              Y: 2024
ResultId 1