Octa: 目标属性情感分析中的遗漏和冲突
本文介绍了一种交互学习的方法,并通过提出的交互式注意力网络(IAN)模型对目标和上下文进行交互式学习,从而分别生成目标和上下文的表示,从而更好地表示目标及其相互作用的上下文,有助于情感分类。实验结果表明,该模型在 SemEval 2014 数据集上具有较好的效果。
Sep, 2017
提出一个新颖的 Aspect-oriented Opinion Alignment Network (AOAN) 来捕捉意见词与对应方面之间的上下文关联。该模型通过引入一个邻近跨度增强模块来突出揭示邻近词汇和给定方面的各种组合,并设计了一个多透视度的注意机制来根据给定方面对齐相关意见信息。对三个基准数据集的广泛实验表明,该模型达到了最好的结果。
Aug, 2023
提出了一种新颖的方法来对目标区分,以便在 TABSA 中检测不同方面和情感极性,利用罕见分量向量调整目标和方面的嵌入来优化嵌入,从而优化了上下文相关信息。
Jun, 2019
提出一种两阶段框架用于增强目标和观点之间的相关性,通过序列标注提取目标和观点,在输入句子中添加一组名为 “可感知对” 的人工标记,以获取更接近相关的目标 - 观点对表示,通过限制标记的注意范围来减少三元组之间的负面干扰。
Feb, 2021
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
通过引入 OATS 数据集,我们解决了 Aspect-based sentiment Analysis 领域的若干问题,并建立了初步基线,希望该数据集能够拓展当前资源,为 ABSA 的全面探索铺平道路。
Sep, 2023
本文提出了一种新的动态异构图结构来联合建模方面提取和情感检测,实验结果表明,我们的模型优于现有最先进的模型,特别在多观点方面和无观点方面的情况下,性能显著提高。
Apr, 2020
本文提出了有针对性的方面情感分析任务,针对用户评论中提到的实体提取细粒度信息,通过对一个或多个实体的每个方面的情感进行识别来扩展基于方面的情感分析和有针对性的情感分析。在此任务的基础上,我们引入了 SentiHood 数据集,并开发了几种基于逻辑回归和最先进的循环神经网络的强大基准。
Oct, 2016