Aug, 2019

TDAM：一种基于主题依赖的情感分析注意力模型

PDF
TL;DR提出了一种基于主题依赖的注意力模型用于情感分类和主题提取，其中在多任务学习框架下，通过注意力机制推导出局部主题嵌入。模型基于修改后的门控循环单元 (GRU) 实现了情感分类和具有不同情感极性的主题提取，能够不使用方面级别注释的情况下提取质量较高的主题。
topic-dependent attention modelsentiment classificationtopic extractiongrumulti-task learning
发现论文，激发创造
  • 用于方面级情感分类的双重关注模型

    提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。

    Mar, 2023

  • 基于目标的情感分类的多任务学习

    本文提出了一种基于多任务学习的目标依赖性情感分类系统（MTTDSC），使用一个门控递归单元（GRU）和辅助全连接层来预测情感，结果表明该系统优于现有技术，可检测到先前系统忽略的与目标无关的单词表达的情感。

    Feb, 2019

  • 通过话语增强从情感注释到情感预测

    研究新架构用于情感分析的任务，结合了大规模的 MEGA-DT treebank 以及基于混合 TreeLSTM 分层注意模型的神经架构，通过情感相关的话语增强情感预测性能，实验结果显示，性能优于使用先前基于人类注释数据训练的良好建立的话语解析器的方法，同时演示了一个简单的组合方法如何进一步增强性能。

    Nov, 2020

  • 基于知识图谱和循环注意网络的方面级情感分析

    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

  • TDAM: 基于上下文引导的 CNN 特征选择中的自顶向下注意力模块

    该研究提出了一种轻量级的顶部注意力模块 (TDAM)，通过迭代生成一个 “视觉探照灯”，以更多上下文相关的特征图上执行通道和空间调制，从而增强 CNN 在多个目标识别基准测试上的性能，并且能够在不需要显式监督的情况下本地化单个对象或特征。

    Nov, 2021

  • 主题感知多轮对话建模

    本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案，该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现，在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法，尤其是在出现明显主题转移的电子商务数据集上提高了 3.3％。

    Sep, 2020

  • 使用自适应多头注意力的 Transformer 情感分析

    提出了一种基于注意机制的新型框架，用于识别电影评论文档的情感。通过自适应多头注意力架构 (AdaptAttn) 根据句子长度变化注意头的数量，在 Stanford 大型电影评论数据集上的实验结果显示，我们的模型的 F1 得分与基准模型相当。

    Oct, 2023

  • 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

  • 基于图神经网络的句法感知方面级情感分类

    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

  • TAN-NTM：用于神经主题建模的主题注意力网络

    提出了一种名为 TAN-NTM 的框架，该框架使用一种新颖的注意力机制，即关注主题相关线索的单词，将文档作为一个标记序列进行处理。该模型发现，利用主题 - 单词分布来学习更好的特征已经没有得到很好的利用，尝试提出一种提高这种探讨的框架。在 20Newsgroups、Yelp Review Polarity 和 AGNews 等基准数据集上，相对于现有 SOTA 主题模型的 NPMI 一致性得分，我们进行了大量的削减和实验，结果证明我们的方法可以获得～9-15％的改善。此外，我们还证明了与现有一些主题模型相比，我们的方法通过潜在文档主题特征的提高，在文档分类和主题引导关键词生成等两个下游任务上表现更好。

    Dec, 2020