EMNLPOct, 2020

方面 - 类别情感分析的多实例多标签学习网络

PDF
TL;DR提出一种面向方面类别情感分析的多示例多标记学习网络（AC-MIMLLN），将句子视为袋子，单词视为实例，并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。
aspect-category sentiment analysismulti-instance multi-label learning networksentiment polarity predictionbag-of-words representationkey instance aggregation
发现论文，激发创造
  • 一个共享情感预测层的方面 - 类别情感分析联合模型

    该论文提出了一种新的联合模型，其中包含共享情感预测层，用于解决 Aspect-category sentiment analysis 中一些方面类别存在数据不足问题并展示了该模型在 SemEval-2016 数据集上的有效性。

    Aug, 2019

  • 利用图注意力网络进行句法成分感知的方面 - 类别情感分析

    提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案，采用图注意力模块和交互式损失函数，用于解决 Aspect category sentiment analysis (ACSA) 的问题，包括情感极性和方面类别检测，通过实验在五个公共数据集上验证了该方案的可行性。

    Oct, 2020

  • AX-MABSA：一种用于极弱监督的多标签基于方面的情感分析框架

    本文提出了一种极弱监督的多标签方面类别情感分析框架，并提出了一种自动词语选择技术来选择这些种子类别和情感词，利用无监督语言模型后训练来提高性能，在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。

    Nov, 2022

  • 一种具有类别名称嵌入的多任务增量学习框架，用于方面 - 类别情感分析

    本文介绍了一种面向 (T) ACSA 任务的分类名称嵌入网络 (CNE-Net)，通过共享编码器和解码器等方式，使得多任务学习在增量学习上变得可行，同时提出了一种 (T) ACSA 增量学习数据集，与其他基线相比，实现了最佳性能表现。

    Oct, 2020

  • 多标签少样本学习用于方面类别检测

    该论文提出了基于原型网络的多标签少样本学习方法，引入两种有效的注意力机制并学习一个动态阈值，以实现情感分析中的方面类别检测任务，并在三个数据集上得到了显著的性能提升。

    May, 2021

  • 具有分层解缠特性的增强一致性感知网络在方面类别情感分析中的应用

    提出了一种增强的一致性感知网络与分层解缠模块（ECAN）用于用于基于方面类别的情感分析（ACSA）任务，其通过利用一致性建模来捕获整个评论中的上下文并帮助隐含的方面和情感识别，以提取独特的类别和情感特征，实现了最新的性能。

    Mar, 2024

  • iACOS：通过信息丰富和自适应负例推进隐式情感分析

    提出了一种新的方法 iACOS 进行提取具有情感的隐式方面和意见，并通过多任务学习联合训练多标签分类器和其他两个分类器。实验结果表明，iACOS 在两个公开基准数据集上根据 F1 分数显著优于其他四元提取基线。

    Nov, 2023

  • 将方面类别情感分析作为一个文本生成任务来解决

    本文提出了一种通过将 ACSA 任务转化为自然语言生成任务，使得预训练语言模型可以更直接地应用于该任务设置，从而提高了在各种评估任务中的准确性，特别是在几次学习和零次学习设置下具有显著的优势。

    Oct, 2021

  • 一种交互式多任务学习网络，用于端到端的基于方面的情感分析

    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。

    Jun, 2019

  • MACSA: 一个多模态的方面 - 类别情感分析数据集，包含多模态细粒度对齐注释

    本研究提出了 Multimodal Aspect-Category Sentiment Analysis (MACSA) 数据集，其中包含了超过 21K 个文本 - 图像对，提供了针对文本和视觉内容的细粒度注释，并首次使用 aspect category 作为枢轴，对齐两种模态之间的细粒度元素。本研究建立了 Multimodal ACSA 任务和一个基于多模态图形对齐的融合模型 (MGAM)，采用精细的跨模态融合方法。实验结果表明，本方法可以便于这个语料库未来研究的基线比较。本文中的数据集和代码将公开提供。

    Jun, 2022