AAAINov, 2018

情感目标抽取和目标情感预测的统一模型

PDF
TL;DR本研究提出了一个新颖的统一模型来解决目标基情感分析的任务，其应用了统一的标记方案，并且使用两个堆叠的循环神经网络来提高主任务的性能，并通过门机制维护观点目标内的情感一致性，在三个基准数据集上实验结果表明该框架具有优异的效果。
sentiment analysisopinion targetrecurrent neural networkstarget sentiment classificationunified model
发现论文，激发创造
  • 基于区间提取和分类的开放式目标情感分析

    提出了一种基于跨度的提取 - 分类框架，其直接从句子中提取多个观点目标，并使用其跨度表示对相应的情感极性进行分类，该方法在三个基准数据集上的实验表明，该方法在情感分析中表现良好且优于以前的序列标注基线。

    Jun, 2019

  • 基于目标导向的情感分类的转换网络

    我们提出了一种新的情感分类模型，使用 RNN 和 CNN 并加入目标特定的词语表示生成机制，以及保留 RNN 层原始上下文信息的组件，最终在多个评估标准上达到了最新的最优表现。

    May, 2018

  • 使用动态异构图神经网络共同建模方面与情感

    本文提出了一种新的动态异构图结构来联合建模方面提取和情感检测，实验结果表明，我们的模型优于现有最先进的模型，特别在多观点方面和无观点方面的情况下，性能显著提高。

    Apr, 2020

  • 基于目标的情感分类的多任务学习

    本文提出了一种基于多任务学习的目标依赖性情感分类系统（MTTDSC），使用一个门控递归单元（GRU）和辅助全连接层来预测情感，结果表明该系统优于现有技术，可检测到先前系统忽略的与目标无关的单词表达的情感。

    Feb, 2019

  • 基于依存关系图解析的结构化情感分析

    本文提出了一种新的统一框架，将结构化情感分析问题作为依存关系图解析，其中节点是情感持有者、目标和表达式，弧是它们之间的关系。在四种语言的五个数据集上进行实验，结果显示这种方法比现有技术有更好的表现，并通过依存语法信息改进情感图产生了更好的结果。

    May, 2021

  • 基于目标依赖的情感分类有效的 LSTMs

    本研究提出了两种基于 LSTM 的目标相关情感分类模型，通过将目标词与上下文词的语义相关性进行建模，相比传统的 LSTM 模型，这种模型可以显著提高分类准确度，并取得了最新的最优性能。

    Dec, 2015

  • 先目标和意见，再极性：增强方面情感三元组提取中的目标意见相关性

    提出一种两阶段框架用于增强目标和观点之间的相关性，通过序列标注提取目标和观点，在输入句子中添加一组名为 “可感知对” 的人工标记，以获取更接近相关的目标 - 观点对表示，通过限制标记的注意范围来减少三元组之间的负面干扰。

    Feb, 2021

  • 针对性情感分析学习显式与隐式结构

    本文研究了目标情感分析这一任务，提出在模型中同时引入显式结构信息和隐式的全局结构信息能够提升模型性能，并进行了大量实验来验证该方法的有效性和鲁棒性。

    Sep, 2019

  • 一种新的标记策略用于有效的令牌图建模，用于结构化情感分析

    本研究提出了一种基于依存句法分析的情感分析模型，并对其进行了改进，包括采用新的标签策略、图注意力网络和自适应多标签分类器来优化其性能，实验结果表明我们的模型在五个基准数据集上的效果大幅优于之前的最优模型。

    Mar, 2022

  • 收集意见：方面提取会见情感预测，并且它们均受弱监督

    文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，大规模研究表明根据多个标准，人类评判员更喜欢该方法的意见摘要。

    Aug, 2018