ACLApr, 2018

基于目标的方面情感分析的延迟记忆更新的循环实体网络

PDF
TL;DR提出了一种利用外部 “存储链” 和延迟更新机制来跟踪实体的新颖模型，用于特定方面的情感分析任务。实验结果表明，相比于现有的模型，该模型在使用外部知识库的情感分析任务中表现出了显著的改进。
neural networkstabsamemory-augmented modelsmachine readingexternal knowledge bases
发现论文，激发创造
  • 面向目标方面的情感分析感知嵌入

    提出了一种新颖的方法来对目标区分，以便在 TABSA 中检测不同方面和情感极性，利用罕见分量向量调整目标和方面的嵌入来优化嵌入，从而优化了上下文相关信息。

    Jun, 2019

  • 基于门卷积神经网络的方面情感分析

    本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

    May, 2018

  • 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

  • 门控图卷积网络和基于语法规则的调控改进方面情感分析

    本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。

    Oct, 2020

  • 深度记忆网络在方面级情感分类中的应用

    本文提出了基于深度记忆网络的方面级情感分类模型，并通过多层神经注意力模型计算上下文词汇的重要程度和文本表示，在笔记本和餐厅数据集上的实验结果表明，这种方法的表现与现有的 SVM 系统相媲美，在多个指标方面优于 LSTM 和基于注意力的 LSTM 结构，运行速度也非常快。

    May, 2016

  • 增强方面 - 句子意识：一种面向方面的情感分析的新方法

    通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

    May, 2024

  • 一个新颖的基于方面的情感分析深度转换模型

    本文提出了一种新颖的 Aspect-Guided Deep Transition 模型（AGDT），该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码，以重构给定的方面与生成的句子表示相结合的面向方面的目标，从而能够准确生成面向方面的句子表示形式，进而进行更准确的情感预测，并通过多个 SemEval 数据集的实验结果表明，我们提出的方法明显优于最佳报道结果。

    Sep, 2019

  • 基于词汇 - 方面联合融合的学习方法用于方面情感分析

    本文提出了一种基于神经网络的新方法 ——Aspect Fusion LSTM (AF-LSTM)，它通过建模词汇与方面之间的关系，将方面信息整合到神经模型中，并采用循环卷积和循环相关来模拟方面与词汇之间的相似度，并将其融入可微的神经注意力框架中，从而实现对特定方面的分析，达到 4% 至 5% 左右的性能提升。

    Dec, 2017

  • 基于依存句法知识增强的交互式架构，用于端到端的基于方面的情感分析

    本文提出了一种基于句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用 BERT 作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

    Apr, 2020

  • 基于知识增强的双层注意力网络用于情感分析

    本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

    May, 2018