Jan, 2021

在野外评估基于方面的情感分析的生产可重现性、可复制性及更多

PDF
TL;DR本文通过实践者的角度，对过去 6 年中公布的代表性模型进行了评估，发现评估结果的再现性较差，并对跨领域数据迁移进行了研究，结果表明较少的领域特定数据集能够与同一地区的其他领域数据集结合使用，从而极大地缩小了完全跨领域和完全领域内预测性能之间的差距，并公开了两个大型的印度电子商务评论语料库以促进领域的进一步发展。
aspect-based sentiment analysisonline marketplacesuser-generated contentempirical evaluationtransfer across domains
发现论文，激发创造
  • 句法基础的观点挖掘中的复制问题

    本文介绍了一项对于基于句法的方面级情感挖掘的三种著名算法的经验可重复性研究，表明由于预处理和参数设置缺少细节以及缺乏可用的代码实现以阐明细节，再现结果仍然是一项困难的任务，这是该领域的重要研究威胁。因此，鼓励代码驱动的研究在帮助研究人员更好地理解最新技术意义和生成持续进展方面具有关键作用。

    Jan, 2017

  • 将复制和复现与 NLP 中的泛化能力联系起来：针对目标依赖性情感分析的三个复现研究

    本研究旨在解决自然语言处理中重复性和普适性问题，并以目标相关情感分析为例，证明最近该领域的工作缺乏足够的代码共享和方法描述，缺乏对数据的可比性和泛化性。研究人员运用三种互补方法进行了第一次再现研究，并在六个不同的英文数据集上进行了第一次大规模评估，推荐未来考虑多种数据集、发布代码，以便最大程度上减少使可重复性和普遍性困难的障碍。

    Jun, 2018

  • 通过联合建模方面和价值自动聚合

    我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

    Jan, 2014

  • 自然语言处理的可复现性分析：用多个数据集测试意义

    该论文提出了一种重复性分析框架，用于对 NLP 任务算法的多个比较进行统计学分析，相对于 NLP 文献中目前未经统计证明的传统做法具有显著的理论优势，并通过多个应用案例展示了其实证价值。

    Sep, 2017

  • 关于方面情感分析的稳健性：对模型、数据和训练的重新思考

    本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

    Apr, 2023

  • 科技评论的基于方面的情感分析

    利用基于方面的情感分析从科学评论中提取有用信息可以更好地判断接受 / 拒绝决策，并且发现审稿人之间的不一致程度可能与主席的意见不一致有关。

    Jun, 2020

  • 面向方面的情感分析技术：一项比较研究

    通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

    Jul, 2024

  • 使用方面抽取方法生成评论摘要和用户配置文件

    本研究评估了一个新提出的神经模型在提取评论方面的可行性，结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。

    Apr, 2018

  • 收集意见：方面提取会见情感预测，并且它们均受弱监督

    文中介绍了一种从在线产品评论中进行意见摘要的神经框架，该方法是知识瘦身的，只需要轻量级的监督，包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件（一个偏向提取器和一个基于多实例学习的情感预测器），从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进，大规模研究表明根据多个标准，人类评判员更喜欢该方法的意见摘要。

    Aug, 2018

  • 探究基于方面的情感分析中的方面鲁棒性：美味汉堡，湿透薯条

    本文提出了一种简单而有效的方法来完善现有的 ABSA 测试集，生成了一个名为 ARTS 的测试集，以全面探究 ABSA 模型的鲁棒性。研究发现，9 种 ABSA 模型的准确率最多下降了 69.73%，然而，采用对抗训练可以使模型在 ARTS 上的表现提高达 32.85%。

    Sep, 2020