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
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
提出了 Scope 的概念,用于描述与特定目标相关的结构文本区域。结合组成树和依赖树的信息,提出了一个杂交图卷积网络(HGCN)来共同学习结构 Scope 并预测情感极性,证明该模型优于当前最先进的基线模型。
Apr, 2022
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
本文通过有效的句法信息编码,以新的树形结构对情感识别进行了研究,提出了关系图注意力网络(R-GAT)并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验,结果表明我们的方法可以更好地建立方面和意见词之间的联系,并且图注意力网络(GAT)的表现得到了显著提高。
Apr, 2020
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。
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
本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型,通过聚合多个线性链 CRFs,该设计允许模型提取特定方面的意见跨度,然后利用提取的意见特征评估情感极性,实验证明该模型是有效的。
Oct, 2020
本文提出了一种交互式多任务学习网络(IMN)用于处理基于方面的情感分析,它能够同时在标记级别和文档级别上联合学习多个相关任务,介绍了一种消息传递架构,其中信息通过一组共享的潜在变量迭代地传递到不同任务,实验结果表明,与多个基准模型相比,提出的方法在三个基准数据集上表现更加优越。
本研究提出了一种基于图傅立叶变换的网络,该网络在谱域中创建和学习了底层图,然后使用傅立叶变换切换到频率(谱)域,进而创建新特征。该方法在情感分析中表现出极高的准确性,特别是在 SemEval-2014 数据集中,取得了最佳结果。
Feb, 2022