本研究提出了一种基于 BiLSTM-CRF 的新颖系统,利用收集的词汇和语境特征,针对基于方面的情感分析中的波及用户观点的判定问题,利用越南语语言数据集进行评估,最终实现了 62.76% 的 F1 分数的最优解。
Oct, 2021
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
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
本文提出了一种基于跨度的抗偏置情感表征学习框架,通过拟对手学习消除了方面嵌入中的情感偏差,然后通过跨度依赖建模将处理出的意见候选点与方面对齐,突出可解释的意见术语,在五个基准测试中取得了最新的最先进的性能,具有无监督意见提取的能力。
Sep, 2021
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
本文探索了两种从文档级数据转移知识的方法,以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性,并显示注意力机制的 LSTM 从文档级知识中受益。
Jun, 2018
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
提出了一种新的双重注意模型 (DAM) 用于方面级情感分类,该模型使用依存标签作为关注机制以提高性能,并在 SemEval 2014 和 Twitter 数据集上进行实验,取得了良好的效果。
Mar, 2023
本文提出了约束注意力网络,它是一个简单而有效的解决方案,用于规范多方面情感分析中的注意力,从而缓解了注意机制的缺点,并在两个公共数据集上取得了很好的实验结果,并在多任务设置中超越了最先进的方法。
Dec, 2018
本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络(CNN)对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题,输出一个阈值参数化的方面概率。为了确定对方面的情感态度,我们使用局限系统(英语不受限制)对语句进行分析,其在所有语言和领域中均取得了竞争性的结果,对于方面类别检测(插槽 1)和情感极性(插槽 3)分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二,从而证明深度学习为基于方面和多语言的情感分析方法的可行性。
Sep, 2016