AAAIJan, 2021

面向方面的情感分析的联合训练双 MRC 框架

PDF
TL;DR本文提出了一种基于 BERT-MRC 模型的联合训练框架，通过解决 aspect term extraction、opinion term extraction 和 aspect-level sentiment classification 等问题，实现了 Aspect based sentiment analysis，取得了显著的实验效果成果。
aspect based sentiment analysisabsabert-mrc modelsmachine reading comprehensionopinion term extraction
发现论文，激发创造
  • 面向观点三元组提取的多任务学习框架

    提出了一种新颖的 Aspect-based Sentiment Analysis 框架，采用多任务学习和双仿射评分器，同时提取方面术语和意见术语，并解析它们之间的情感依赖关系，实验结果表明，相对于现有技术，该方法在 SemEval 基准测试中取得了显著的改进。

    Oct, 2020

  • 寻求共性但又有区别的差异：联合基于方面的情感分析模型

    本研究在进行方面基情感分析 (ABSA) 任务时，提出了一种双编码器的设计方法，既保留了编码器共享的优点，又针对不同的任务进行了差异化改进，经实验证明，该模型在四个基准数据集上表现显著优于之前最先进的模型。

    Nov, 2021

  • 面向方面的情感分析的统一生成框架

    本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列，将 ABSA 的各个子任务转换为统一的生成式公式，并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明，我们的框架在四个 ABSA 数据集上实现了实质性的性能收益，并为整个 ABSA 子任务提供了真正的统一端到端解决方案，这可使多个任务受益。

    Jun, 2021

  • 针对少样本方面情感分析的指令调整

    本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

    Oct, 2022

  • 基于方面的情感分析研究综述：任务、方法和挑战

    该文系统地综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表，并强调了近年来对多元素 ABSA 任务研究的重要性。同时，该文总结了预训练语言模型在 ABSA 中的应用，介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术，并讨论了 ABSA 未来发展的方向与挑战。

    Mar, 2022

  • BERT-ASC: 基于辅助句构建的隐式方面表示学习在情感分析中的应用

    本文提出了一种基于辅助句子和 BERT-ASC 的方法，来解决在缺乏标注数据的情况下，针对文本中暗含的方面进行情感分析和分类的问题，并在真实数据集上进行了有效性验证和性能评估。

    Mar, 2022

  • 基于 BERT 与构建辅助语句的方面情感分析

    本研究使用 BERT 模型，将 ABSA 转换为句对分类任务，取得了 SentiHood 和 SemEval-2014 Task 4 数据集的最新最佳结果，旨在识别特定方面的细粒度观点极性。

    Mar, 2019

  • 提高 BERT 对于基于方面的情绪分析的表现

    本文介绍了基于深度学习模型 BERT 的两个模块 Parallel Aggregation 和 Hierarchical Aggregation， 用于 Aspect-Based Sentiment Analysis 中的 Aspect Extraction 和 Aspect Sentiment Classification， 改善了模型的性能。

    Oct, 2020

  • 知道什么、怎么做和为什么：面向方面情感分析的几乎完整解决方案

    本文提出了一个新的 ABSA 子任务，名为 Aspect Sentiment Triplet Extraction (ASTE)，并提出了解决这个任务的两阶段框架，实验结果表明这个框架在这个新的三元组抽取任务上取得了优异的表现和基准性能。

    Nov, 2019

  • 令人尴尬地简单的无监督方面情感元组提取

    我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性，以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明，我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外，我们的工作还为无监督的观点词挖掘方法设立了一个基准。

    Apr, 2024