（3）硬标签与软标签：对于一段音频，如果三个标注人员的标注结果是[L, L, M]，那硬标签就是L，即[1, 0, 0]；软标签则是[0.67, 0.33, 0]，即三个类别的占比数。
（4）实验：比单独个人的标签建模提升1-4个百分点，软硬标签的设计有助于提升SER效果。只需标注目标人物50%的数据，就能取得标注100%的效果。意思是对于新来一个用户，他只需标注IEMOCAP 50%的数据，该模型就能取得他标注100%数据效果。
（5）总结：原理上确实众包的标注有利于推测个人的标签，但是没有跟其他模型进行对比，不过这也不是本文的重点。
（1）数据处理：IEMOCAP数据四分类，Session1-4训练，Session5测试。特征提取23维的log-Mel filterbank。
（2）模型方法：一个utterance分成多帧，一份输入BLSTM+Attention模型，另一个输入CNN+Attention模型。然后将两个模型的结果融合。
（3）实验：采用WA，UA作为评价指标，但是文章定义UA错误，UA的定义实际为WA。而WA的定义也存疑。实验效果UA达80.1%，实为segment-level的Accuracy。并没有通用的句子级的Accuracy，也是评价的一个trick。
（4）总结：论文就是两个主流模型的结果级融合，创新性不高。提升只体现在segment-level的准确率，参考意义不大。