ACLJun, 2019

基于区间提取和分类的开放式目标情感分析

PDF
TL;DR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。
sentiment analysisopinion targetsspan-based extract-then-classify frameworkpipeline modelbenchmark datasets
发现论文，激发创造
  • 开放域目标情感分析的挑战

    提出了一个新的数据集和嵌套目标注释模式来扩展 open-domain 情感分析的实用性和有效性，运用预训练模型 BART 进行序列生成方法，结果表明 open-domain 目标情感分析领域有很大的改进空间，但是在使用 open-domain 数据、长文档、目标结构复杂性和领域差异上仍存在挑战。

    Apr, 2022

  • 情感目标抽取和目标情感预测的统一模型

    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。

    Nov, 2018

  • 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

  • 基于方面特定观点跨度的方面情感分析

    本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

    Oct, 2020

  • 有则显之：充分利用细粒度情感标注

    本文探索了加入情感持有者和情感表达信息是否能够改善目标提取和分类，并在 8 个英文数据集上进行了实验证明，预测目标和情感 BIO 标签可以提高目标提取，将输入文本增加黄金表达通常可以改善有针对性的极性分类。同时，我们的结果表明，目前模型预测极性表达的性能差，从而阻碍了实践中这些信息的利用。

    Jan, 2021

  • 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

  • 跨领域情感分类的自适应半监督学习

    本文提出一种面向跨域情感分类问题的方法，该方法采用半监督学习的想法，联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明，该方法可以更好地利用来自目标域的未标记数据，在各种实验设置中都取得了重大改进。

    Sep, 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

  • 西班牙语跨领域情感分类

    本文通过收集来自 MercadoLibre 网站七个国家的商品评论，建立了一个大型且平衡的数据集，研究了一个基于该数据集训练的情感分类系统在泛化到不同西班牙语领域的能力，结果表明该分类系统的泛化能力有一定可行性，但需要使用预训练和微调技术进行改进。

    Mar, 2023

  • 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