IJCAISep, 2017

交互式关注网络用于方面级情感分类

PDF
TL;DR本文介绍了一种交互学习的方法，并通过提出的交互式注意力网络（IAN）模型对目标和上下文进行交互式学习，从而分别生成目标和上下文的表示，从而更好地表示目标及其相互作用的上下文，有助于情感分类。实验结果表明，该模型在 SemEval 2014 数据集上具有较好的效果。
aspect-level sentiment classificationtarget-specific representationsinteractive learninginteractive attention networkssemeval 2014
发现论文，激发创造
  • 基于注意力机制的层次化神经网络进行方面级情感分类

    本文介绍了一种利用 AOA 网络的方案，用于精准的情感分析，相较于之前的基于 LSTM 的网络结构，有更好的表现。

    Apr, 2018

  • 面向方面级情感分类的注意力转移网络

    该研究提出了一种名为 ATN 的新型注意力传输网络，它可以成功地从资源丰富的基于文档级情感分类数据集中利用注意力知识来提高面向方面的情感分类任务的注意力能力，并在两个 ASC 基准数据集上进行实验，证明了其优于现有技术的有效性。

    Oct, 2020

  • 基于图神经网络的句法感知方面级情感分类

    本文提出了一种基于目标相关性的图形注意网络（TD-GAT），以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别，并使用 BERT 表示进一步提高了性能。

    Sep, 2019

  • 面向方向的观点对齐网络用于基于方面的情感分类

    提出一个新颖的 Aspect-oriented Opinion Alignment Network (AOAN) 来捕捉意见词与对应方面之间的上下文关联。该模型通过引入一个邻近跨度增强模块来突出揭示邻近词汇和给定方面的各种组合，并设计了一个多透视度的注意机制来根据给定方面对齐相关意见信息。对三个基准数据集的广泛实验表明，该模型达到了最好的结果。

    Aug, 2023

  • 用于有针对性情感分类的注意力编码网络

    本文提出了一个名为 Attentional Encoder Network (AEN) 的网络，它使用基于注意力机制的编码器来处理上下文与目标之间的建模，采用标签平滑正则化来解决标签不可靠的问题，并将预训练的 BERT 应用于情感分类任务，实现了新的最先进的结果。实验和分析证明了我们模型的有效性和轻量级。

    Feb, 2019

  • 一种交互式多任务学习网络，用于端到端的基于方面的情感分析

    本文提出了一种交互式多任务学习网络（IMN）用于处理基于方面的情感分析，它能够同时在标记级别和文档级别上联合学习多个相关任务，介绍了一种消息传递架构，其中信息通过一组共享的潜在变量迭代地传递到不同任务，实验结果表明，与多个基准模型相比，提出的方法在三个基准数据集上表现更加优越。

    Jun, 2019

  • 基于关系图注意力网络的基于方面的情感分析

    本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。

    Apr, 2020

  • 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

  • 基于主题 - 注意力网络的方面类别检测

    通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

    Jan, 2019

  • 用于联合基于跨度的方面 - 情感分析的分层交互网络

    本文提出了一种层次交互网络（HI-ASA）来建模任务间的双向交互，利用交叉针织机制选择性地组合不同的任务特定特征，以确保适当的双向交互，然后应用相互信息技术在输出层互相约束学习，从而使方面输入和情感输入能够通过反向传播编码另一个任务的特征。

    Aug, 2022