利用图卷积网络建模情感依赖性进行方面级情感分类
通过在句子的依赖树上构建图卷积网络,利用了句法信息和单词依赖关系,提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明,该模型与一系列最先进的模型具有可比较的效果。
Sep, 2019
该研究引入了一种名为 SentiSys 的创新增强型边缘图卷积网络,用于在保留完整特征信息的同时导航句法图,从而提高情感分析性能。评估实验和消融研究表明,SentiSys 在方面级情感分析中取得了改进的性能,成功解决了句法特征提取的挑战,展示了其推进情感分析方法学的潜力。
Apr, 2024
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
本文提出了一种基于目标相关性的图形注意网络(TD-GAT),以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别,并使用 BERT 表示进一步提高了性能。
Sep, 2019
提出了 Scope 的概念,用于描述与特定目标相关的结构文本区域。结合组成树和依赖树的信息,提出了一个杂交图卷积网络(HGCN)来共同学习结构 Scope 并预测情感极性,证明该模型优于当前最先进的基线模型。
Apr, 2022
本研究提出了一种新的参数化卷积神经网络用于方面级情感分类,并通过 SemEval 2014 数据集的实验结果证明,我们的参数化滤波器和参数化门有效地捕捉了方面特定的特征,同时基于卷积神经网络的模型取得了良好的结果。
Sep, 2019
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
本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络(CNN)对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题,输出一个阈值参数化的方面概率。为了确定对方面的情感态度,我们使用局限系统(英语不受限制)对语句进行分析,其在所有语言和领域中均取得了竞争性的结果,对于方面类别检测(插槽 1)和情感极性(插槽 3)分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二,从而证明深度学习为基于方面和多语言的情感分析方法的可行性。
Sep, 2016
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
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