Aug, 2019

一个共享情感预测层的方面 - 类别情感分析联合模型

PDF
TL;DR该论文提出了一种新的联合模型，其中包含共享情感预测层，用于解决 Aspect-category sentiment analysis 中一些方面类别存在数据不足问题并展示了该模型在 SemEval-2016 数据集上的有效性。
aspect-category sentiment analysisjoint modelsdata deficiencyshared sentiment prediction layersemeval-2016 datasets
发现论文，激发创造
  • 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

  • 利用图注意力网络进行句法成分感知的方面 - 类别情感分析

    提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案，采用图注意力模块和交互式损失函数，用于解决 Aspect category sentiment analysis (ACSA) 的问题，包括情感极性和方面类别检测，通过实验在五个公共数据集上验证了该方案的可行性。

    Oct, 2020

  • 具有分层解缠特性的增强一致性感知网络在方面类别情感分析中的应用

    提出了一种增强的一致性感知网络与分层解缠模块（ECAN）用于用于基于方面类别的情感分析（ACSA）任务，其通过利用一致性建模来捕获整个评论中的上下文并帮助隐含的方面和情感识别，以提取独特的类别和情感特征，实现了最新的性能。

    Mar, 2024

  • 将方面类别情感分析作为一个文本生成任务来解决

    本文提出了一种通过将 ACSA 任务转化为自然语言生成任务，使得预训练语言模型可以更直接地应用于该任务设置，从而提高了在各种评估任务中的准确性，特别是在几次学习和零次学习设置下具有显著的优势。

    Oct, 2021

  • 寻求共性但又有区别的差异：联合基于方面的情感分析模型

    本研究在进行方面基情感分析 (ABSA) 任务时，提出了一种双编码器的设计方法，既保留了编码器共享的优点，又针对不同的任务进行了差异化改进，经实验证明，该模型在四个基准数据集上表现显著优于之前最先进的模型。

    Nov, 2021

  • 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

  • 一种具有类别名称嵌入的多任务增量学习框架，用于方面 - 类别情感分析

    本文介绍了一种面向 (T) ACSA 任务的分类名称嵌入网络 (CNE-Net)，通过共享编码器和解码器等方式，使得多任务学习在增量学习上变得可行，同时提出了一种 (T) ACSA 增量学习数据集，与其他基线相比，实现了最佳性能表现。

    Oct, 2020

  • 基于局部和全局特征的方面情感分类的联合学习

    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

  • 基于门卷积神经网络的方面情感分析

    本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

    May, 2018

  • iACOS：通过信息丰富和自适应负例推进隐式情感分析

    提出了一种新的方法 iACOS 进行提取具有情感的隐式方面和意见，并通过多任务学习联合训练多标签分类器和其他两个分类器。实验结果表明，iACOS 在两个公开基准数据集上根据 F1 分数显著优于其他四元提取基线。

    Nov, 2023