微评论的方面情感模型
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
本文提出了一个新的ABSA子任务,名为Aspect Sentiment Triplet Extraction (ASTE),并提出了解决这个任务的两阶段框架,实验结果表明这个框架在这个新的三元组抽取任务上取得了优异的表现和基准性能。
Nov, 2019
本文介绍了基于深度学习模型BERT的两个模块Parallel Aggregation和Hierarchical Aggregation, 用于Aspect-Based Sentiment Analysis中的Aspect Extraction和Aspect Sentiment Classification, 改善了模型的性能。
Oct, 2020
本研究在进行方面基情感分析 (ABSA) 任务时,提出了一种双编码器的设计方法,既保留了编码器共享的优点,又针对不同的任务进行了差异化改进,经实验证明,该模型在四个基准数据集上表现显著优于之前最先进的模型。
Nov, 2021
本文提出了一种利用句子中有关方面的辅助句子来帮助情感预测的方法,该方法包括使用多方面检测模型进行方面检测,并将预测出的方面与原始句子组合作为情感分析模型的输入,并通过训练情感分类模型进行领域外的基于方面的情感分析。最终,我们对两个基准模型和我们的方法进行对比,发现我们的方法确实有意义。
Jan, 2022
该文系统地综述了目前各种基于方面的情感分析(ABSA)任务及其解决方案,包括情感元素、预训练语言模型等。该文提出了一个新的ABSA分类表,并强调了近年来对多元素ABSA任务研究的重要性。同时,该文总结了预训练语言模型在ABSA中的应用,介绍了跨领域/跨语言情况下构建更实用的ABSA系统的技术,并讨论了ABSA未来发展的方向与挑战。
Mar, 2022
本文对ABSC领域的三种主要模型进行了分类: 基于知识、机器学习和混合模型,并对基于transformer模型和深度学习模型的最新技术进行了讨论,摘要了不同模型的性能表现,其技术和直观解释,还总结了各种模型输入技术和输出评估技术,并提出了该领域的未来研究趋势。
Mar, 2022
该研究提供了一个数据库的语料库被用于训练和评估自主ABSA系统,对于研究人员选择语料库时应考虑的一些特点进行了概述,分析了目前的收集方法的利弊,并建议未来ABSA数据集收集,在65个公开可用的ABSA数据集上进行了调查。
Apr, 2022
该研究旨在使用预训练语言模型(PLMs)建模特定方面的情感,通过提出三种基于方面的输入转换(即:方面伴侣、方面提示和方面标记)来促进PLM更好地关注特定方面的上下文,并在对SC和OE的标准和对抗性基准测试中,实现了最新的最佳结果和具有竞争力的结果。
Jul, 2022
本研究提出了一种基于传输学习的混合方法,通过利用大型语言模型和传统句法依存关系生成弱监督注释,以解决当前最先进的ABSA研究中的显著挑战。在多个数据集上进行了大量实验,证明了该混合方法在方面词提取和方面情感分类任务中的有效性。
Mar, 2024