科技评论的基于方面的情感分析
本文提出了基于多层次评价维度的评分系统,并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集,证明了该模型的可行性及在现实世界数据上的可扩展性。此外,该模型能够自动学习与特定方面相关的内容词和情感词,从而将评论文本中的内容和情感信息分离开来。
Oct, 2012
我们提出了一个模型,通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集,并确定了每个方面的相应情感,从而直接发现了产品的高评级或不一致方面。
Jan, 2014
本研究介绍了一种基于方面信息的相似度扩展方法,使用 Transformer 模型和 LSTM 基线评估了 172,073 份论文的相似度,结果表明 SciBERT 是最有效的系统,这种基于方面信息的相似度扩展方法可以为文献推荐系统提供更高的粒度和准确度。
Oct, 2020
通过比较分析,本研究探讨了深度神经网络在基于方面的情感分析方面的应用,并发现 FAST LSA 在两个基准数据集(Restaurant14 和 Laptop-14)上取得了最佳结果,准确率分别为 87.6% 和 82.6%,但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。
Jul, 2024
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
本研究评估了一个新提出的神经模型在提取评论方面的可行性,结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。
Apr, 2018
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
本文针对微型评论进行了一个基于方面的情感模型的情感分析(ABSA)。与现有的针对专家级长评审的主题模型不同,这项任务的重要性在于了解大多数用户编写的短评。 当与最先进的方面情感模型进行比较时,实验表明,我们的模型在方面级任务(如方面术语提取)和文档级任务(如情感分类)方面提供更好的性能。
Jun, 2018
文中介绍了一种从在线产品评论中进行意见摘要的神经框架,该方法是知识瘦身的,只需要轻量级的监督,包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件(一个偏向提取器和一个基于多实例学习的情感预测器),从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进,大规模研究表明根据多个标准,人类评判员更喜欢该方法的意见摘要。
Aug, 2018
采用超级对比预训练的方法,利用语言资源中的大规模情感注释语料库,对于产品评论中蕴含的明示和隐含情感表达进行预测,大幅提高对于细节方面表达情感的识别率,这种方法不仅在论文中实验证明了其有效性,还在 SemEval2014 基准测试集上取得了最好的表现。
Nov, 2021