May, 2017

W2VLDA: 面向方面的情感分析的几乎无监督系统

PDF
TL;DR本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA，配合一些其他无监督方法和最小配置，能够为任何给定的领域和语言执行方面 / 类别分类，分离方面术语 / 观点词和情感极性分类，并在多语言数据集 SemEval 2016 任务 5（ABSA）中获得具有竞争力的结果（对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域）。
online customer opinionsautomatic systemssentiment analysistopic modellingmultilingual dataset
发现论文，激发创造
  • 令人尴尬地简单的无监督方面情感元组提取

    我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

    Apr, 2024

  • 无细粒度标签的多方面情感分析的文档级监督

    基于 VAE 的主题建模方法，利用文档级别的监督，在不需要精细标注方面或情感方面的标签的情况下完成 ABSA，能够检测文档中的多个方面，从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明，该方法显著优于最先进的基准模型。

    Oct, 2023

  • 一种变分方法用于弱监督的文档级多方面情感分类

    本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

    Apr, 2019

  • AX-MABSA：一种用于极弱监督的多标签基于方面的情感分析框架

    本文提出了一种极弱监督的多标签方面类别情感分析框架，并提出了一种自动词语选择技术来选择这些种子类别和情感词，利用无监督语言模型后训练来提高性能，在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。

    Nov, 2022

  • 使用迁移学习的混合方法进行基于方面的情感分析

    本研究提出了一种基于传输学习的混合方法，通过利用大型语言模型和传统句法依存关系生成弱监督注释，以解决当前最先进的 ABSA 研究中的显著挑战。在多个数据集上进行了大量实验，证明了该混合方法在方面词提取和方面情感分类任务中的有效性。

    Mar, 2024

  • 基于语法指导的领域自适应情感分析

    本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。

    Nov, 2022

  • 自动检测方面的方面情感分析（Auto-ABSA）

    本文提出了一种利用句子中有关方面的辅助句子来帮助情感预测的方法，该方法包括使用多方面检测模型进行方面检测，并将预测出的方面与原始句子组合作为情感分析模型的输入，并通过训练情感分类模型进行领域外的基于方面的情感分析。最终，我们对两个基准模型和我们的方法进行对比，发现我们的方法确实有意义。

    Jan, 2022

  • 基于方面的情感分析（ABSA）的系统综述：领域、方法与趋势

    该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析，揭示了 ABSA 研究文献中存在的一些系统性问题，并提出了一些建议。

    Nov, 2023

  • 一种简单的基于信息的无监督领域自适应方面情感分析方法

    本文提出了一种基于互信息最大化的简单而有效的技术，用于增强任何类型的模型进行跨领域 ABSA 和 ATE，并分析了该方法。实验结果表明，我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32％。此外，我们的方法可以扩展到其他序列标记任务，例如命名实体识别（NER）。

    Jan, 2022

  • 面向方面的情感分析技术：一项比较研究

    通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

    Jul, 2024