Oct, 2019

类人决策：层次强化学习在文档级别方面情感分类中的应用

HTML
PDF
TL;DR本研究提出了一种新的Hierarchical Reinforcement Learning (HRL)方法来解决文档级别的方面情感分类（DASC）任务中的数据噪声问题，该方法结合了从句子和单词层面上的选择策略和情感打分预测器来引导选择相关从句和情感单词，并且实验结果表明该方法比现有的方法表现更优越。
发现论文，激发创造
  • 一种变分方法用于弱监督的文档级多方面情感分类

    本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

    Apr, 2019

  • 面向方面级别情感分析的渐进式自监督注意力学习

    本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态-of-the-art神经方面级情感分类模型具有明显的优越性。

    Jun, 2019

  • 学习检测观点摘要用于方面情感分析

    本研究提出了一种基于hard-selection的方法，利用预训练的BERT模型学习句子和方面之间的关联，通过自我评估强化学习检测看法片段，从而针对多方面句子进行情感分析，在处理准确性上表现优于软选择方法。

    Sep, 2019

  • 机器之间的机器翻译：情感分类应用案例

    提出了一种神经机器翻译的方法，利用一种新的候选采样策略，基于强化学习技术提高翻译模型的机器导向性，从而产生最适合用作特定下游任务的自然语言处理组件输入的翻译结果，这种方法可以显著提高英文分类器对Twitter数据的情感分类的性能。

    Oct, 2019

  • 无监督意见抽取消除方面级情感分类的情感偏差

    本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。

    Sep, 2021

  • CLASSIC: 方面情感分类任务的持续性和对比性学习

    本文研究了一种称为领域增量学习（DIL）的特定连续学习（CL）环境下，一系列方面情感分类（ASC）任务的CL。 该论文提出了一种名为CLASSIC的新模型，具有对比连续学习方法，使得在测试中不需要任务ID，能够实现跨任务的知识转移和知识蒸馏。 实验结果表明CLASSIC的高效性。

    Dec, 2021

  • 基于方面的情感分类调查

    本文对ABSC领域的三种主要模型进行了分类: 基于知识、机器学习和混合模型，并对基于transformer模型和深度学习模型的最新技术进行了讨论，摘要了不同模型的性能表现，其技术和直观解释，还总结了各种模型输入技术和输出评估技术，并提出了该领域的未来研究趋势。

    Mar, 2022

  • 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

  • 利用方面-文档情感组合显式实现零样本方面级情感分类

    本文提出了AF-DSC方法，仅使用基于文档级别评论的信息，就可实现零样本学习的方面级别情感分类，通过该方法将文档级别情感分类与方面级别情感分类相结合，并证明了情感组合在文档级别情感分类中的重要性。

    Sep, 2022

  • 美国：通用情感分析模型与日语情感文本分类及词性数据集的构建

    利用互动增强效应以提高普通情感分析模型性能

    Sep, 2023