May, 2018

双向依存树表示法改进方面术语提取

PDF
TL;DR本篇文章提出了一种深度学习模型，用于从给定句子中提取方面术语。 该模型基于双向依赖树，同时利用自下而上和自上而下的传播方法获得了更全面的信息，并且在 SemEval 数据集上优于现有的基准模型。
aspect term extractiondependency treebidirectionaldeep learningsemeval
发现论文，激发创造
  • 使用图注意力网络的方面和意见词提取

    本研究探讨了图注意力网络在提取方面和意见术语方面的能力。我们将方面和意见术语提取看作是一种类似于命名实体识别的标记级分类任务，并使用输入查询的依赖树作为图注意力网络中的附加特征，结合了标记和词性特征。实验证明依赖结构是一个强大的特征，在 CRF 层的存在下显著提高了性能，并在 SemEval 2014、2015 和 2016 的常用数据集上生成了最佳结果。除了 CRF 层外，我们还尝试了 BiLSTM 和 Transformer 等额外层次。我们还表明，在同一查询中存在多个方面或情感的情况下，我们的方法也能很好地运行，无需根据单个方面修改依赖树，这与原始的情感分类应用不同。

    Apr, 2024

  • 无监督的词汇和依存路径嵌入在方面术语提取中的应用

    本文针对方面术语提取，基于无监督学习的分布式单词和依赖路径表示提出了一种新颖的方法，使用递归神经网络建模序列化的语法关系，以单词之间的依赖句法关系进行词嵌入训练，并使用状态转移条件随机场 (score function) 来完成特定领域术语的提取。通过 SemEval 数据集上的实验，结果表明，我们的方法在方面术语提取方面取得了最好的性能表现。

    May, 2016

  • 更近一步：学习如何将方面与观点联系起来

    本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外，对标准 SemEval Restaurant14 数据集的详细分析表明，方面词和观点词之间的平均距离至少缩短了 19%。

    Sep, 2021

  • 基于层次模型的方面情感分析

    通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向 LSTM 的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。

    Sep, 2016

  • 使用双向 LSTM 特征表示进行简单准确的依存句法分析

    使用双向 LSTM 神经网络构建特征向量，在依存句法分析中实现最新的结果。

    Mar, 2016

  • 基于观点树解析的方面情感分析

    本文提出了一种基于意见树解析的模型，通过使用新的无上下文意见语法规范化意见树结构并采用神经图表意见树解析器，可以更全面更完整地显式地呈现方面级情感结构并发现情感元素之间的相关性，比现有模型更快且更优秀。

    Jun, 2023

  • 用于方面情感三元组提取的语义增强双编码器

    本文提出了一个框架，该框架利用了基本的编码器（主要基于 BERT）和一个特殊的编码器，该编码器由 Bi-LSTM 网络和图卷积网络 (GCN) 组成，以捕获不同层次的语义信息并建模评论的依赖关系，通过融合两种编码器的语义，实现了多角度的交互，从而提高了方面 - 意见关系的全面理解， 并在基准数据集上进行了有效的实验验证。

    Jun, 2023

  • 基于依赖的混合树用于语义解析

    本研究提出了一种新的基于依存的混合树模型，将自然语言转换成机器可解释的含义表示，并通过在标准多语言 GeoQuery 数据集上进行的大量实验证明，我们的方法能够在多种语言上实现最先进的性能。

    Sep, 2018

  • 基于递归神经条件随机场的方面情感分析

    提出一种新的联合模型，将递归神经网络和条件随机场集成到一个统一的框架中，以明确的方式同时提取方面和观点术语，并展示其在信息提取性能上的优越性。

    Mar, 2016

  • 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