Feb, 2019

用于有针对性情感分类的注意力编码网络

PDF
TL;DR本文提出了一个名为 Attentional Encoder Network (AEN) 的网络，它使用基于注意力机制的编码器来处理上下文与目标之间的建模，采用标签平滑正则化来解决标签不可靠的问题，并将预训练的 BERT 应用于情感分类任务，实现了新的最先进的结果。实验和分析证明了我们模型的有效性和轻量级。
targeted sentiment classificationattentional encoder networklabel smoothing regularizationpre-trained bertstate-of-the-art results
发现论文，激发创造
  • 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

  • 交互式关注网络用于方面级情感分类

    本文介绍了一种交互学习的方法，并通过提出的交互式注意力网络（IAN）模型对目标和上下文进行交互式学习，从而分别生成目标和上下文的表示，从而更好地表示目标及其相互作用的上下文，有助于情感分类。实验结果表明，该模型在 SemEval 2014 数据集上具有较好的效果。

    Sep, 2017

  • 基于知识增强的双层注意力网络用于情感分析

    本研究提出了一种基于双向长短期记忆的新型两层注意网络，利用 WordNet 生成知识图嵌入来提高情感分析的预测能力，将其与基于支持向量回归和多层感知机网络的监督模型相结合，实验结果表明该模型在 SemEval 2017 上表现优于顶尖系统，分别将 Sub-tracks 1 和 2 的准确率提高了 1.7 和 3.7 个百分点。

    May, 2018

  • 面向方面级情感分类的注意力转移网络

    该研究提出了一种名为 ATN 的新型注意力传输网络，它可以成功地从资源丰富的基于文档级情感分类数据集中利用注意力知识来提高面向方面的情感分类任务的注意力能力，并在两个 ASC 基准数据集上进行实验，证明了其优于现有技术的有效性。

    Oct, 2020

  • 基于多情感资源增强的注意力网络进行情感分类

    本文提出一种多情感资源增强注意力网络模型（MEAN）用于情感分类，通过集成情感词库、否定词和强度词等情感语言知识到深度神经网络的注意力机制中，采用了不同类型的情感资源，从不同的情感表示子空间提取情感相关信息，能更有效地捕捉情感、否定和强度词的总体语义，实验结果表明，MEAN 优于强有力的竞争对手。

    Jul, 2018

  • 基于注意力机制的层次化神经网络进行方面级情感分类

    本文介绍了一种利用 AOA 网络的方案，用于精准的情感分析，相较于之前的基于 LSTM 的网络结构，有更好的表现。

    Apr, 2018

  • 面向神经网络会话模型的有意义注意力

    本文提出了一种基于神经网络的方法，模拟了关注和意图过程，并通过三个循环网络实现。该模型在无标注数据的情况下进行端到端训练并能生成自然的响应。

    Oct, 2015

  • 使用自适应多头注意力的 Transformer 情感分析

    提出了一种基于注意机制的新型框架，用于识别电影评论文档的情感。通过自适应多头注意力架构 (AdaptAttn) 根据句子长度变化注意头的数量，在 Stanford 大型电影评论数据集上的实验结果显示，我们的模型的 F1 得分与基准模型相当。

    Oct, 2023

  • 基于知识图谱和循环注意网络的方面级情感分析

    本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。

    Dec, 2023

  • 基于关系图注意力网络的基于方面的情感分析

    本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。

    Apr, 2020