EMNLPOct, 2020

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

PDF
TL;DR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。
acsatacsaincremental learningmulti-task learningcategory name embedding network
发现论文，激发创造
  • 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

  • 方面 - 类别情感分析的多实例多标签学习网络

    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。

    Oct, 2020

  • 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

  • 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

  • 无监督方面类别检测的自我增强多任务框架

    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

  • 利用从粗到细的任务传递进行方面级情感分类

    本文提出一种多粒度对齐网络 (Multi-Granularity Alignment Network) 并采用粗到细任务转移方法，以改善低资源微观层面 Aspect Term (AT) 任务的学习效果，其中采用了一种新颖的辅助任务掌握的粗粒度 Aspect Category (AC) 任务的知识，并采用对比的特征对齐方法，通过语义的方式对齐方面 特定的特征表示。

    Nov, 2018

  • 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

  • 用于类别特定方面和观点术语共同提取的多任务记忆网络

    提出细化问题 -- 分类特定方面和意见词提取，并使用多任务注意力模型解决数据稀疏性问题，在三个基准数据集上展示出其最先进的性能。

    Feb, 2017

  • 基于主题 - 注意力网络的方面类别检测

    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