EMNLPDec, 2020

YASO：面向开放域评论的有针对性情感分析评估数据集

PDF
TL;DR本文介绍了一个新的 TSA 评估数据集 YASO，它包含来自多个评论领域的 2,215 个有标注情感倾向的英语句子，旨在解决现有数据集中领域集合小的限制，能够更真实地反映像 Amazon 或 Yelp 这样拥有许多领域不同的评论网站的表现情况，同时对该数据集进行了 5 个 TSA 系统的基准测试，结果表明仍有改进空间。
tsa evaluationcross-domain setupyasoopen-domain user reviewssentiment analysis
发现论文，激发创造
  • 多域目标情感分析

    本文提出了基于增广数据集的自训练方法来实现跨领域情感分析，对不同领域进行了 extensive 实验证明了该方法的有效性，并与手动收集数据相比较表明其实用性。

    May, 2022

  • 开放域目标情感分析的挑战

    提出了一个新的数据集和嵌套目标注释模式来扩展 open-domain 情感分析的实用性和有效性，运用预训练模型 BART 进行序列生成方法，结果表明 open-domain 目标情感分析领域有很大的改进空间，但是在使用 open-domain 数据、长文档、目标结构复杂性和领域差异上仍存在挑战。

    Apr, 2022

  • OATS：利用观点、属性、目标和情感四元组提取数据集进行面向属性的情感分析

    通过引入 OATS 数据集，我们解决了 Aspect-based sentiment Analysis 领域的若干问题，并建立了初步基线，希望该数据集能够拓展当前资源，为 ABSA 的全面探索铺平道路。

    Sep, 2023

  • ROAST：评论级别观点方面情感目标联合检测

    该研究通过引入 ROAST 任务，致力于解决 ABSA 技术在完整评论文本中的评估问题，包括低资源语言的评估、句子级和文本级 ABSA 之间的差距，并通过扩展可用数据集以处理低资源语言、多种语言和各种主题，从而对 ABSA 技术进行全面评估，提高对任务及其在不同语言和领域中的实际应用的理解。

    May, 2024

  • 基于方面的情感分析数据集综述

    该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。

    Apr, 2022

  • THOS：一个面向有针对性的仇恨和攻击性言论的基准数据集

    社交媒体上检测有害内容的困难在于看似简单的是 / 否分类隐藏了大量的复杂性。本文介绍了 THOS 数据集，该数据集包含了 8.3k 个带有目标细粒度标注的推文，展示了使用大型语言模型训练分类器在该层级进行分类的可行性。

    Nov, 2023

  • ASAP: 面向方面分类情感分析和评级预测的中文评论数据集

    本文介绍了一项有关餐厅评论数据的研究，数据集包含了 46,730 条来自中国领先在线到线下（O2O）电子商务平台的餐厅评论，每条评论都按照其对 18 个预定义方面类别的情感极性进行手动注释，并提出了一种直观而有效的联合模型用于方面类别情感分析和评论评级预测，实验结果证明，该联合模型优于目前的基线模型。

    Mar, 2021

  • 在真实环境下评估 ASTE 模型：一个多领域多样化方面情感三元组抽取数据集

    本文介绍了一个命名为 DMASTE 的数据集，该数据集被手动注释以更好地适应真实世界的情况，并包括比现有数据集更多的方面类型和领域。 我们对 DMASTE 进行了大量实验，结果表明 DMASTE 是一个更具挑战性的 ASTE 数据集。

    May, 2023

  • OASum：大规模开放领域基于方面的摘要

    利用众包知识构建了高质量、大规模、面向开放领域的方面为基础的自动摘要数据集（OASum），包含超过 3.7 百万个实例，在 200 万个维基百科页面上涵盖了大约 1 百万种不同的方面类型，并在七个下游数据集上进行了数据零、少样本以及微调处理，显示出在方面或特定查询焦点生成能力方面，预先训练的模型表现出强劲的能力，数据集及预训练检查点已公开提供。

    Dec, 2022

  • 零样本基于方面的情感分析

    本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。

    Feb, 2022