Feb, 2019

自动编码变分推断在基于方面的意见摘要中的应用

PDF
TL;DR本文提出了基于 Autoencoding Variational Inference 的模型，用于 Aspect-based Opinion Summary (AOS) 中的 aspect discovery 和 sentiment classification 问题，并成功应用于 AVIAD 模型和 AVIJST 模型中，实验结果表明相比 LDA 模型，我们的模型具有更高的主题一致性、更快的收敛时间和更好的情感分类精度。
aspect-based opinion summaryautoencoding variational inferenceaviad modelavijst modelsentiment classification
发现论文，激发创造
  • 主题模型的自编码变分推理

    介绍了一种名为 AVITM 的新 topic model，用 autoencoded variational inference 解决了 Dirichlet 分布和 component collapsing 问题，并且推出了一种新的 topic model，ProdLDA，更容易解释。

    Mar, 2017

  • 通过联合建模方面和价值自动聚合

    我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

    Jan, 2014

  • 一个简单实用的自监督对比学习框架用于方面检测

    该研究提出了一种自我监督对比学习框架和基于注意力机制、新颖平滑自注意力（SSA）模块的 UAD 任务模型，用于学习更好的方面和评论片段表示，同时引入了高分辨率选择映射 (HRSMap) 和知识蒸馏技术，通过准确地映射模型发现的方面来提高方面检测的性能。实验结果表明，该方法在公开数据集上表现优于多个最近的无监督和弱监督方法。

    Sep, 2020

  • W2VLDA: 面向方面的情感分析的几乎无监督系统

    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

  • 半摊分变分自编码器

    我们提出了一种半摊分解方法，使用摊分变分推断 (Amortized Variational Inference，AVI) 来初始化变分参数并运行随机变分推断 (Stochastic Variational Inference，SVI) 来细化它们，从而使推理网络和生成模型能够进行端到端的梯度优化训练，这种方法有助于在像文本生成这样的问题上使用丰富的生成模型并避免训练 VAE 时产生的后验崩溃现象，实验证明这种方法在标准的文本和图像数据集上胜过强有力的自回归和变分基线。

    Feb, 2018

  • 基于联合方面 - 情感主题嵌入的弱监督方面为基础的情感分析

    本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的 <情感，方面> 联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

    Oct, 2020

  • JADS: 自主超越联合方面发现和摘要的框架

    通过将主题发现和总结集成到单一步骤中，我们提出的 JADS 算法从文本数据中发现方面，并生成主题的总结，其在优化总结和聚类算法中表现出更好的性能和稳定性，此外，从 JADS 中获得的嵌入展现出更优越的聚类能力，我们所提出的方法在语义对齐和准确性方面取得了较高的水平。

    May, 2024

  • 基于卷积神经网络的方面情感摘要

    该论文探讨了针对特定产品的基于方面的观点摘要 (AOS)。通过使用卷积神经网络方法，我们提出了两种方案来解决方面映射和情感分类问题，即级联的卷积神经网络和多任务卷积神经网络。实验结果表明，这两种方法均实现了 SVM 的大幅优化，多任务 CNN 相比级联 CNN 的表现更好。

    Nov, 2015

  • 无细粒度标签的多方面情感分析的文档级监督

    基于 VAE 的主题建模方法，利用文档级别的监督，在不需要精细标注方面或情感方面的标签的情况下完成 ABSA，能够检测文档中的多个方面，从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明，该方法显著优于最先进的基准模型。

    Oct, 2023

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023