令人尴尬的简单无监督方面提取
通过基于注意力机制的深度神经网络方法,对餐厅方面的用户评论进行情感分析,并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上,我们的方法表现优于现有的方法,并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。
Jan, 2019
本文提出了一种基于弱监督的方法进行情感分析,通过词嵌入空间下的 <情感,方面> 联合主题嵌入来实现预测,通过预训练分类器和自我训练来利用词级别的判别信息。
Oct, 2020
我们的工作致力于使用一小组种子词进行无监督的方面类别检测。我们提出了一个简单的框架,通过自动增强种子词的质量和选择高质量的句子进行训练,来缓解初始种子词质量和噪声对模型性能的影响。同时,我们对方面类别检测、方面术语提取和方面术语极性联合进行训练,以进一步提高性能。大量实验证明我们的框架在标准数据集上超过了强基准结果。
Nov, 2023
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
我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性,以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明,我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外,我们的工作还为无监督的观点词挖掘方法设立了一个基准。
Apr, 2024
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
该研究提出了一种自我监督对比学习框架和基于注意力机制、新颖平滑自注意力(SSA)模块的 UAD 任务模型,用于学习更好的方面和评论片段表示,同时引入了高分辨率选择映射 (HRSMap) 和知识蒸馏技术,通过准确地映射模型发现的方面来提高方面检测的性能。实验结果表明,该方法在公开数据集上表现优于多个最近的无监督和弱监督方法。
Sep, 2020
这篇论文研究的主题是使用深度学习进行监督式商品评论的精细情感分析。论文提出了一种使用两种预先训练的词向量嵌入进行商品特征提取的简单 CNN 模型,取得了优于先前最先进方法的出色结果。
May, 2018
本文提出了一种基于辅助句子和 BERT-ASC 的方法,来解决在缺乏标注数据的情况下,针对文本中暗含的方面进行情感分析和分类的问题,并在真实数据集上进行了有效性验证和性能评估。
Mar, 2022
本文探讨了如何使用来自其他无监督模型的信息来规范 ABAE,以获得更好的性能,既在规则基础的合集方法上得到对比,也证明了对比于单个模型,集成模型的效果更好,而基于规则的集成模型则表现不如基于规范化的集成模型。
Oct, 2022