基于门卷积神经网络的方面情感分析
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
这篇论文介绍了一个针对豪萨语电影评论的方面和极性分类的基于深度卷积神经网络(CNN)的模型,该模型是针对理解文本中的情感细微差别而进行的,特别是针对不同语言和文化。作者创建了一个包含人工注释的综合豪萨语 ABSA 数据集,填补了资源可用性方面的重要空白。通过将 CNN 与注意机制相结合进行方面词预测,该模型利用上下文信息和情感极性,准确率达到了 91% 的方面词提取和 92% 的极性分类,优于传统的机器模型,为特定方面和情感提供了深入的洞察力。这项研究推动了 ABSA 研究,特别是在不常见的语言方面,并对跨文化语言研究产生了影响。
May, 2024
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
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
本研究提出了一种基于依存句法分析树的注意力机制方法,以捕获与情感极性相关的方面位置信息,作为 Aspect based sentiment analysis (ABSA) 的一种当前先进的方法。
Aug, 2022
提出了一种新颖的 LSTM 变体,称为 aspect-aware LSTM(AA-LSTM),将方面信息包含在上下文建模阶段的 LSTM 单元中,以生成动态的方面感知上下文表示,实验结果表明 AA-LSTM 的有效性。
May, 2019
本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列,将 ABSA 的各个子任务转换为统一的生成式公式,并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明,我们的框架在四个 ABSA 数据集上实现了实质性的性能收益,并为整个 ABSA 子任务提供了真正的统一端到端解决方案,这可使多个任务受益。
Jun, 2021
本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务,在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型,获得了最新的最优结果。
Oct, 2021
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
该研究提出了一种名为 KGAN 的知识图增强网络,旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征,然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示,并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验,并在所有数据集中实现了最先进性能的新纪录。
Jan, 2022