AAAIJan, 2018

通过用户关注和产品关注改进评论表示以进行情感分类

PDF
TL;DR本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。
neural networksentiment classificationuser informationproduct informationattention
发现论文，激发创造
  • 从用户和产品级别信息中学习评论表示以进行垃圾邮件检测

    提出一种用于自动学习用户和产品层次的评论语义的 HFAN 方法，包括设计多重注意单元以提取用户（产品）相关评论信息、使用正交分解和融合注意力从评论信息中学习用户、评论和产品表示以及将评论作为用户和产品实体之间的关系并将其编码为评论表示。实验结果表明此方法在四个真实数据集上表现优于现有方法。

    Sep, 2019

  • 利用用户和产品背景提高文档级情感分析

    该论文研究了将历史评论文本和用户 / 产品信息纳入情感分析模型，通过强制模型记住有关特定用户和产品的所有评论，通过舍弃分层的架构来使文本中的单词直接彼此关注。在 IMDB、Yelp2013 和 Yelp2014 数据集上的实验结果表明，该方法在某些情况下可以实现超过 2％的现有最佳结果的提升。

    Nov, 2020

  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • 面向偏见产品评论分类的双存储网络模型

    本文提出了一种双重用户和产品记忆网络 (DUPMN) 模型，旨在有效地学习用户画像和产品信息用于情感分析。经过针对 IMDB，Yelp13 和 Yelp14 三个基准数据集的评估，该模型相对于最先进的综合预测模型，分别给出了 0.6％，1.2％和 0.9％的性能提升，并受到 p 值显著测试的支持。

    Sep, 2018

  • 具有关注交互的非对称分层网络，用于可解释的基于评论的推荐

    本文中，我们开发了一种新颖的神经网络模型，通过非对称注意模块恰当地解决了用户评价和产品评价的不同。多层次范式考虑到了不同的评价和句子的重要性和相关性。在各种真实数据集上的广泛实验结果表明了我们方法的有效性。

    Dec, 2019

  • 具有注意力多视图学习的神经新闻推荐

    提出了一种基于神经网络的新闻推荐方法，通过利用新闻的多种信息并采用注意力机制实现对新闻和用户的有效表示学习，成功提高了新闻推荐的准确性。

    Jul, 2019

  • 情感分类中属性表示与注入的反思

    通过使用 BiLSTM 与注意力分类器限制了基础模型并专注于如何在嵌入、编码、注意力和分类器四个方面注入属性，将属性表示为块状重要性权重矩阵，并通过实验表明，我们的方法在标准方法之上取得了显著的改进，并且在注入属性方面，注意机制是最差的位置之一，同时我们也在超越最先进的方法，证明这个表示也对其他任务具有通用性。

    Aug, 2019

  • 基于内容神经网络新闻推荐中用户和新闻表征之间的关系研究

    本研究通过比较简单和复杂推荐系统之间的性能差异，保证较高的 AUC 分数，并发现新闻嵌入和评分函数之间的复杂性之间的权衡。

    Jul, 2022

  • 用于论文评审评估推荐的分层双向自注意力网络

    本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

    Nov, 2020

  • 基于一致性损失的评论摘要和情感分类统一双视图模型

    本文提出了一种通过双重视图模型并使用不一致性损失来同时进行评论摘要和情感分类的方法，证明了该模型在四个不同领域的数据集上具有优异的性能。

    Jun, 2020