Jul, 2019

Pars-ABSA: 面向方面的波斯情感分析数据集

PDF
TL;DR本研究提供了一个经过三名母语为波斯语的人员验证的波斯语数据集（即 Pars-ABSA），并基于深度学习的一些最先进的基于方面的情感分析方法进行评估，结果显示与类似的英语最新成果相比表现出优异的表现。
sentiment analysisaspect-based sentiment analysispersian languagepars-absa datasetdeep learning
发现论文，激发创造
  • 基于方面的情感分析数据集综述

    该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。

    Apr, 2022

  • SentiPers: 波斯情感分析语料库

    本文主要研究是针对波斯语的情感分析和意见挖掘，详细阐述了研制手动标注的 SentiPers 情感语料库的全过程，并介绍了该语料库在文档级别、句子级别和实体 / 方面级别的独特情感注释方式，以及波斯语情感文本数据资源的不足。

    Jan, 2018

  • 基于方面的情感分析研究综述：任务、方法和挑战

    该文系统地综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表，并强调了近年来对多元素 ABSA 任务研究的重要性。同时，该文总结了预训练语言模型在 ABSA 中的应用，介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术，并讨论了 ABSA 未来发展的方向与挑战。

    Mar, 2022

  • 令人尴尬地简单的无监督方面情感元组提取

    我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

    Apr, 2024

  • 基于地理位置的方面情感分析（ABSA）用于众包评估城市环境

    该研究开发了一个能够从地理定位的城市评价中提取城市方面，并对其进行情感分类的 ABSA 模型。通过对 2500 个公共公园的众包评价进行数据标注，并在这些数据上使用带有局部上下文焦点的双向编码器表示转换 (BERT) 模型进行训练，我们的模型在城市评价的方面术语提取和方面情感分类任务中取得了显著的预测准确性。通过空间可视化展示了波士顿的正负城市方面。我们希望这个模型对设计师和规划师进行细粒度的城市情感评价时能够有所帮助。

    Dec, 2023

  • 一种新颖的关于方面的情感分析的反事实方法

    提出一种采用反事实数据增强方法，针对情感分析任务中球面情感倾向分析的问题，该方法利用集成梯度计算和蒙版技术对情感表达式进行反转，并通过一个 T5 预训练语言模型进行预测，在三个开源数据集上获得更好的结果。

    Jun, 2023

  • 基于方面的情感分析（ABSA）的系统综述：领域、方法与趋势

    该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析，揭示了 ABSA 研究文献中存在的一些系统性问题，并提出了一些建议。

    Nov, 2023

  • 提高 BERT 对于基于方面的情绪分析的表现

    本文介绍了基于深度学习模型 BERT 的两个模块 Parallel Aggregation 和 Hierarchical Aggregation， 用于 Aspect-Based Sentiment Analysis 中的 Aspect Extraction 和 Aspect Sentiment Classification， 改善了模型的性能。

    Oct, 2020

  • ROAST：评论级别观点方面情感目标联合检测

    该研究通过引入 ROAST 任务，致力于解决 ABSA 技术在完整评论文本中的评估问题，包括低资源语言的评估、句子级和文本级 ABSA 之间的差距，并通过扩展可用数据集以处理低资源语言、多种语言和各种主题，从而对 ABSA 技术进行全面评估，提高对任务及其在不同语言和领域中的实际应用的理解。

    May, 2024

  • 韩国基于隐式特征对齐和语料过滤的面向方面情感分析

    提出了一种在韩国等低资源语言中进行面向方面的情感分析（ABSA）的直观且有效的框架，通过集成翻译基准和未标记的韩语数据来优化预测标签，并使用在翻译数据上微调的模型对实际韩语自然语言推理集进行伪标记。通过 LaBSE 和基于 MSP 的过滤器应用于伪自然语言推理集，提高了面向方面的类别检测和极性确定的准确性。该模型通过双重过滤来填补数据集差距，在资源有限的情况下在韩国 ABSA 中取得了积极的结果。通过额外的数据注入管道，该方法旨在利用高资源数据，并在低资源语言国家的社区（无论是公司还是个人）构建有效模型。与英文 ABSA 相比，我们的框架在 F1 得分和准确性上差异约为 3％。我们在此链接上发布了韩国 ABSA 的数据集和代码。

    Jun, 2024