Dec, 2019

基于图卷积网络的中文微博细粒度情感分类

HTML
PDF
TL;DR该研究提出了一种基于句法的图卷积网络模型来增强对汉语微博各种语法结构的理解，同时提出了一种基于百分位数的汇聚方法，可将模型的准确性提高到82.32％，超过现有算法5.90％，在汉语情感分类方面取得了很好的成绩，并为汉语情感分类注释了一个新的数据集。
发现论文，激发创造
  • 利用大量弱监督数据进行多语言情感分类

    本文提出了一种新的多语言情感分类方法，使用了大量的弱监督数据训练多层卷积网络，通过在多种语言数据集上进行充分的评估，证明该方法的优异性能，达到了同类研究的最高水平。

    Mar, 2017

  • 使用基于序列的卷积神经网络在电视秀文本上进行情感检测

    本文介绍了一种基于文本的情感检测语料库及其在多方对话文本上对情感分类的深度学习模型，该模型优于现有方法。该文首先提出了一个新的语料库，提供了 Friends 节目中对话连续发言中七种情感的标注。作者提出了四种基于序列卷积神经网络的模型，其中最好的模型在细粒度和粗粒度情感的准确性分别达到了37.9%和54%。

    Aug, 2017

  • 基于大型预训练语言模型的实用文本分类

    本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。

    Dec, 2018

  • 利用图卷积网络建模情感依赖性进行方面级情感分类

    本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过SemEval 2014数据集的评估表明了其优越性。此外，我们还开展了实验以评估GCN模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

    Jun, 2019

  • 基于特定方面图卷积网络的方面情感分类

    通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

    Sep, 2019

  • DigNet: 从局部-全局交互图中挖掘线索，用于方面级情感分类

    本研究提出了一种新颖的本地-全局交互图，通过交互边沿连接两种图形，结合了局部句法和全局关系信息。使用DigNet神经网络进行建模可以实现在理解方面层面情感时，局部句法和全局关系信息的协调一致，实验证明了该方法的优越性。

    Jan, 2022

  • 使用图卷积神经网络进行多任务文本分类，用于大规模低资源语言

    本文针对印度特鲁古语采用图卷积网络（GCN）在单任务和多任务下进行情感分析（SA）、情感识别（EI）、仇恨言论（HS）和讽刺检测（SAR）等自然语言处理任务，并针对其语言数据量少、形态学和语义上的差异性提出了多任务文本GCN框架（MT-Text GCN）进行语料文本分类的研究，提出了基于图的重建方法，实现了对单词和句子的嵌入表示同时学习来提高实验效果。

    May, 2022

  • 基于Emoji的细粒度注意力网络用于微博评论情感分析

    本文提出了基于ALBERT-FAET模型和细粒度注意机制的微博情感分类模型，通过捕捉微博文本和表情符号之间的互动，取得了较好的效果，实验表明该模型在情感分类方面的性能优于传统方法。

    Jun, 2022

  • 利用心理语言学特征和Transformer提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向LSTM网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • 中国金融文本情感挖掘：GCGTS -- 基于字符关系的同时提取方面-观点对的方法

    通过使用图卷积网络(GCN)明确地融合句法结构和在同一句法语义单元(中文词级)内字符的编码，以及引入基于图像卷积的结构来捕捉评估单元内字符之间的局部关系，我们提出了一种创新的结构，该结构减少了对预训练语言模型的过度依赖，强调了结构和局部关系的建模，从而提高了模型在中文金融文本上的性能。通过与Synchronous Double-channel Recurrent Network (SDRN)和Grid Tagging Scheme (GTS)等先进的模型进行比较实验，我们提出的GCGTS模型在性能上展现出显著的改进。

    Aug, 2023