EMNLPSep, 2016

基于层次模型的方面情感分析

PDF
TL;DR通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向 LSTM 的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。
opinion miningcustomer reviewsaspect-based sentiment analysishierarchical bidirectional lstmmultilingual datasets
发现论文，激发创造
  • 一种层次化的端到端模型，用于同时改善文本摘要和情感分类

    提出了一种使用分层端到端模型联合学习文本摘要和情感分类的方法，将情感分类标签视为文本摘要输出的进一步 “摘要”，实现了摘要和分类两个任务的统一，该模型在亚马逊在线评论数据集上表现优于强基准系统。

    May, 2018

  • 通过联合建模方面和价值自动聚合

    我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

    Jan, 2014

  • 收集意见：方面提取会见情感预测，并且它们均受弱监督

    文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，大规模研究表明根据多个标准，人类评判员更喜欢该方法的意见摘要。

    Aug, 2018

  • 基于观点树解析的方面情感分析

    本文提出了一种基于意见树解析的模型，通过使用新的无上下文意见语法规范化意见树结构并采用神经图表意见树解析器，可以更全面更完整地显式地呈现方面级情感结构并发现情感元素之间的相关性，比现有模型更快且更优秀。

    Jun, 2023

  • 基于知识图谱和循环注意网络的方面级情感分析

    本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。

    Dec, 2023

  • 双向依存树表示法改进方面术语提取

    本篇文章提出了一种深度学习模型，用于从给定句子中提取方面术语。 该模型基于双向依赖树，同时利用自下而上和自上而下的传播方法获得了更全面的信息，并且在 SemEval 数据集上优于现有的基准模型。

    May, 2018

  • 学习生成评论及发现情感

    本文探讨了字节级循环语言模型的性质和学习特征，这些特征包括对应于高级概念的分离特征和单元，其中一个单元执行情感分析，这些在非监督学习方式下得到的表述在斯坦福情感树库的二进制子集上实现了最先进的性能，同时也具有很高的数据效率。

    Apr, 2017

  • 基于方面特定观点跨度的方面情感分析

    本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

    Oct, 2020

  • 语言规范化 LSTMs 用于情感分类

    本研究提出了使用句子级别注释训练的简单模型，同时采用正则化方法，以模拟情感词汇、否定词和强度词汇的语言学角色，从而生成语言学相关的表示形式，并且能够捕捉情感、否定和强度词汇的情感转移效应，同时在不损失模型简洁性的前提下获得竞争性的结果。

    Nov, 2016

  • 利用图卷积网络建模情感依赖性进行方面级情感分类

    本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

    Jun, 2019