ACLJun, 2019

一种交互式多任务学习网络，用于端到端的基于方面的情感分析

PDF
TL;DR本文提出了一种交互式多任务学习网络（IMN）用于处理基于方面的情感分析，它能够同时在标记级别和文档级别上联合学习多个相关任务，介绍了一种消息传递架构，其中信息通过一组共享的潜在变量迭代地传递到不同任务，实验结果表明，与多个基准模型相比，提出的方法在三个基准数据集上表现更加优越。
aspect-based sentiment analysismulti-task learningmessage passing architecturedocument-level labeled sentiment corpusbenchmark datasets
发现论文，激发创造
  • 一个面向方面情感分析的迭代式多知识迁移网络

    提出一种迭代多知识转移网络 (IMKTN) 模型，用于利用三个子任务之间的交互关系和易于获得的文档级标记领域 / 情绪知识来处理方面情感分析，并在三个基准数据集上取得了有效和优越的结果。

    Apr, 2020

  • 用于联合基于跨度的方面 - 情感分析的分层交互网络

    本文提出了一种层次交互网络（HI-ASA）来建模任务间的双向交互，利用交叉针织机制选择性地组合不同的任务特定特征，以确保适当的双向交互，然后应用相互信息技术在输出层互相约束学习，从而使方面输入和情感输入能够通过反向传播编码另一个任务的特征。

    Aug, 2022

  • SemEval-2016 任务 5 中的 INSIGHT-1：多语言基于方面的情感分析中的深度学习

    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

  • 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

  • 用于类别特定方面和观点术语共同提取的多任务记忆网络

    提出细化问题 -- 分类特定方面和意见词提取，并使用多任务注意力模型解决数据稀疏性问题，在三个基准数据集上展示出其最先进的性能。

    Feb, 2017

  • 方面 - 类别情感分析的多实例多标签学习网络

    提出一种面向方面类别情感分析的多示例多标记学习网络（AC-MIMLLN），将句子视为袋子，单词视为实例，并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。

    Oct, 2020

  • 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

  • 使用端到端神经网络进行基于方面的情感分析的联合方面和极性分类

    本文提出了一种新的纵向情感分析模型，利用可训练的神经网络同时检测情感对象和其情感倾向，并使用不同的神经网络结构和词嵌入在 GermEval 2017 数据集上进行了实验。最终通过使用卷积神经网络和 fasttext 嵌入结合的方法，成功地超越了 2017 年的共享任务最佳提交结果，取得了新的最高水平。

    Aug, 2018

  • 基于深度卷积神经网络的波斯语评论方面和情感分类的多任务集成模型

    本研究提出了一种基于深度卷积神经网络的多任务集成学习模型，以增强波斯语评论的情感分析效果，该新方法提高了波斯语语言情感分析模型的效率。

    Jan, 2022

  • 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