Jun, 2019

面向方面级别情感分析的渐进式自监督注意力学习

PDF
TL;DR本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态 - of-the-art 神经方面级情感分类模型具有明显的优越性。
aspect-level sentiment classificationneural modelsattention mechanismsself-supervised learningregularization term
发现论文，激发创造
  • 基于局部和全局特征的方面情感分类的联合学习

    该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。

    Nov, 2023

  • 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

  • 一种面向情感分类器的失效及自适应重新加权解决方案

    本文提出了一种基于深度学习和自适应重新加权的方案来解决情感分类中的问题，实验证明该方案可以显著提高模型的效果。

    Nov, 2019

  • 无监督意见抽取消除方面级情感分类的情感偏差

    本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。

    Sep, 2021

  • 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

  • 利用位置偏差进行鲁棒的方面情感分类

    本文针对当前情感分类模型面对领域迁移和对抗样本时的鲁棒性问题，提出了两种通过引入位置偏置来降低模型误判概率以提升分类效果的机制：加权偏置和丢弃偏置，在跨领域和对抗数据集上的实验证明，这种机制明显地提高了模型的鲁棒性和效果。

    May, 2021

  • 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

  • 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

  • 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

  • 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