IJCAIMay, 2019

早期关注？面向方面的 LSTM 用于方面情感分析

PDF
TL;DR提出了一种新颖的 LSTM 变体，称为 aspect-aware LSTM（AA-LSTM），将方面信息包含在上下文建模阶段的 LSTM 单元中，以生成动态的方面感知上下文表示，实验结果表明 AA-LSTM 的有效性。
发现论文，激发创造
  • 基于词汇 - 方面联合融合的学习方法用于方面情感分析

    本文提出了一种基于神经网络的新方法 ——Aspect Fusion LSTM (AF-LSTM)，它通过建模词汇与方面之间的关系，将方面信息整合到神经模型中，并采用循环卷积和循环相关来模拟方面与词汇之间的相似度，并将其融入可微的神经注意力框架中，从而实现对特定方面的分析，达到 4% 至 5% 左右的性能提升。

    Dec, 2017

  • ATP：一种全面关注整合方法以增强 ABSA

    本研究提出了一种基于依存句法分析树的注意力机制方法，以捕获与情感极性相关的方面位置信息，作为 Aspect based sentiment analysis (ABSA) 的一种当前先进的方法。

    Aug, 2022

  • 基于门卷积神经网络的方面情感分析

    本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

    May, 2018

  • 学习检测观点摘要用于方面情感分析

    本研究提出了一种基于 hard-selection 的方法，利用预训练的 BERT 模型学习句子和方面之间的关联，通过自我评估强化学习检测看法片段，从而针对多方面句子进行情感分析，在处理准确性上表现优于软选择方法。

    Sep, 2019

  • 增强方面 - 句子意识：一种面向方面的情感分析的新方法

    通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

    May, 2024

  • 利用自适应上下文遮蔽进行基于方面的情感分析

    通过使用自适应掩码方法，本论文提出了一种用于细粒度语言学问题的方面级情感分析（ABSA）方法，其可以从给定文本中提取多方面的观点和情感，以提高 ABSA 的准确性和 F1 得分。

    Feb, 2024

  • 利用文档知识进行方面级情感分类

    本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

    Jun, 2018

  • 针对方面的情感分析的方面特定的上下文建模

    该研究旨在使用预训练语言模型（PLMs）建模特定方面的情感，通过提出三种基于方面的输入转换（即：方面伴侣、方面提示和方面标记）来促进 PLM 更好地关注特定方面的上下文，并在对 SC 和 OE 的标准和对抗性基准测试中，实现了最新的最佳结果和具有竞争力的结果。

    Jul, 2022

  • 使用带有 Local Context 焦点机制的 DeBERTa 进行基于方面的情感分析

    本文通过整合 DeBERTa 模型和 Local Context Focus 机制提出了一个多任务学习模型，来解决基于方面的情感分析问题，在 SemEval-2014 以及 ACL Twitter 数据集上取得了显著的进步。

    Jul, 2022

  • 使用迁移学习的混合方法进行基于方面的情感分析

    本研究提出了一种基于传输学习的混合方法，通过利用大型语言模型和传统句法依存关系生成弱监督注释，以解决当前最先进的 ABSA 研究中的显著挑战。在多个数据集上进行了大量实验，证明了该混合方法在方面词提取和方面情感分类任务中的有效性。

    Mar, 2024