EMNLPSep, 2018

面向偏见产品评论分类的双存储网络模型

PDF
TL;DR本文提出了一种双重用户和产品记忆网络 (DUPMN) 模型，旨在有效地学习用户画像和产品信息用于情感分析。经过针对 IMDB，Yelp13 和 Yelp14 三个基准数据集的评估，该模型相对于最先进的综合预测模型，分别给出了 0.6％，1.2％和 0.9％的性能提升，并受到 p 值显著测试的支持。
sentiment analysisproduct reviewsmemory networkuser profilesproduct information
发现论文，激发创造
  • 通过用户关注和产品关注改进评论表示以进行情感分类

    本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

    Jan, 2018

  • 基于一致性损失的评论摘要和情感分类统一双视图模型

    本文提出了一种通过双重视图模型并使用不一致性损失来同时进行评论摘要和情感分类的方法，证明了该模型在四个不同领域的数据集上具有优异的性能。

    Jun, 2020

  • 双通道卷积神经网络在推荐系统中的意见挖掘

    本文提出了一种基于深度学习模型的情感分析方法，并将其用于推荐产品，通过 SMOTE 算法平衡数据集，并使用张量分解算法为每个聚类分配权重，以提高推荐系统性能，相比之前的基于方面的方法，精度提高了至 91.6%。

    Jul, 2023

  • 用于方面级情感分类的双重关注模型

    提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。

    Mar, 2023

  • 从评论中学习分布式表示用于协同过滤

    通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

    Jun, 2018

  • DMAD：面向现实世界异常检测的双重内存库

    通过使用统一的模型，提出了一种名为 Dual Memory bank enhanced representation learning for Anomaly Detection (DMAD) 的新框架，该框架处理了无监督和半监督场景，通过双重存储器来计算正常和异常模式之间的特征距离和特征注意力，从而构建了用于异常分数学习的增强表示。通过在 MVTec-AD 和 VisA 数据集上的评估，结果表明 DMAD 超越了当前最先进的方法，突显了 DMAD 在处理复杂的实际异常检测场景中的能力。

    Mar, 2024

  • 多关系推荐系统的记忆网络协同度量学习

    提出了一个多关系记忆网络（MRMN）模型，用于建模用户与物品的多类型交互以及潜在关联性学习，可以更精确地捕获用户的偏好，从而优于当前大多数推荐系统。

    Jun, 2019

  • 利用用户和产品背景提高文档级情感分析

    该论文研究了将历史评论文本和用户 / 产品信息纳入情感分析模型，通过强制模型记住有关特定用户和产品的所有评论，通过舍弃分层的架构来使文本中的单词直接彼此关注。在 IMDB、Yelp2013 和 Yelp2014 数据集上的实验结果表明，该方法在某些情况下可以实现超过 2％的现有最佳结果的提升。

    Nov, 2020

  • 使用评论联合深度建模用户与物品进行推荐

    本文提出了一种基于深度协同神经网络（DeepCoNN）的方法，以利用用户评价中的信息来提高推荐系统的性能，该方法在多个数据集上的实验结果表明，其表现明显优于所有基线推荐系统。

    Jan, 2017

  • 基于不确定性调控的双记忆单元弱监督视频异常检测

    提出使用 Uncertainty Regulated Dual Memory Units 模型及 Global and Local Multi-Head Self Attention 模块来强化通过建立正常状态的描述从而更好地区分异常数据的研究方法，该方法经过在 XD-Violence 和 UCF-Crime 数据集上的实验验证，效果明显优于目前的同类研究。

    Feb, 2023