SemAxis:一个轻量级框架,用于刻画领域特定的单词语义,超越情感
提出了 FrameAxis 一种量化揭示文本中话语取向 (Framing) 的方法,通过识别出重点话语轴(microframes)的存在,来以无监督的方式对大数据集进行语义轴上的语料特征表征。通过该方法可以定量地捕捉文本中特定的话语趋向和强度,并能够识别话语的倾向性、主题、和政治立场等。
Feb, 2020
本研究使用静态词向量嵌入,构建了上下文化的语义轴,以解决反义词有相邻表示的困境,并在两个人类数据集上验证了这些轴的效果:维基百科职业和过去 14 年中极端主义男性社区中的多平台讨论,结果显示上下文化的语义轴可以有效区分同一单词类型的不同实例。
Oct, 2022
该研究提出 SensePOLAR, 一种扩展的 POLAR 框架,可以为预训练的上下文词嵌入提供词义感知的可解释性,以达到与原来的上下文词嵌入相同的性能表现。
Jan, 2023
本文提出了一种极弱监督的多标签方面类别情感分析框架,并提出了一种自动词语选择技术来选择这些种子类别和情感词,利用无监督语言模型后训练来提高性能,在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。
Nov, 2022
我们引入了一种创新模型:句法依赖增强的多任务交互架构 (SDEMTIA),用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型),并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制,以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性,明显超越了现有方法。此外,引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。
Nov, 2023
本文提出了一个统一的双向生成框架,基于生成模型,通过域自适应和数据增强来解决跨领域细粒度情感分析问题,并在四个跨领域情感分析任务上达到了最新的最佳结果。
May, 2023
本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法,该方法利用句法结构相似性构建伪训练实例,同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征;最后,为了减轻跨领域 End2End ABSA 中的情感不一致问题,引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明,与现有模型相比,我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。
Nov, 2022
本文提出了一种基于互信息最大化的简单而有效的技术,用于增强任何类型的模型进行跨领域 ABSA 和 ATE,并分析了该方法。实验结果表明,我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32%。此外,我们的方法可以扩展到其他序列标记任务,例如命名实体识别(NER)。
Jan, 2022
本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA,配合一些其他无监督方法和最小配置,能够为任何给定的领域和语言执行方面 / 类别分类,分离方面术语 / 观点词和情感极性分类,并在多语言数据集 SemEval 2016 任务 5(ABSA)中获得具有竞争力的结果(对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域)。
May, 2017
该论文总结并分类了向量空间模型在语义文本处理中的应用,分为三类主要矩阵结构:项 - 文档、词 - 上下文和对模式矩阵,主要介绍了这三个类别中的广泛应用及其在开源项目中的详细研究,并旨在为熟悉或不熟悉该领域的人提供一些新的研究视角。
Mar, 2010