Sep, 2021

利用位置嵌入进行目标定向情感词提取的经验研究

HTML
PDF
TL;DR本文探讨了在目标导向情感分析中提取意见词的新子任务TOWE，并使用基于预训练字向量或语言模型的各种文本编码器来研究每个组件的实际贡献，同时使用图卷积网络来增强单词表示。实验结果表明，BiLSTM-based 模型可以有效地将位置信息编码到单词表示中，而仅使用 GCN 只能获得微小的增益。令人感兴趣的是，我们的简单方法胜过了几种复杂的最先进的神经结构。
发现论文，激发创造
  • 基于词典整合和注意力机制的情感分析卷积神经网络模型

    本文提出一种将词嵌入、词表嵌入和注意力机制集成到卷积神经网络中进行情感分析的新方法，该方法在 SemEval'16 任务 4 数据集和 Stanford 情感树库上得到了比现有最先进系统更好的结果。

    Oct, 2016

  • 情感目标抽取和目标情感预测的统一模型

    本研究提出了一个新颖的统一模型来解决目标基情感分析的任务，其应用了统一的标记方案，并且使用两个堆叠的循环神经网络来提高主任务的性能，并通过门机制维护观点目标内的情感一致性，在三个基准数据集上实验结果表明该框架具有优异的效果。

    Nov, 2018

  • 基于特定方面图卷积网络的方面情感分类

    通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

    Sep, 2019

  • 面向目标的观点词提取的潜在意见转移网络

    本文旨在通过提出一种新的转移方法，将在资源丰富的评论情感分类数据集中获取的潜在意见转移到低资源任务TOWE，实验结果表明，该模型相较于其他现有方法表现更佳且明显优于未转移意见知识的基础模型。

    Jan, 2020

  • 使用深度学习将句法结构纳入目标观点词提取中

    本文提出了一种结合句子的句法信息和词语之间的句法连接的深度学习模型，并引入一种新颖的正则化技术，以提高目标意见词提取任务的性能，该模型在四个基准数据集上取得了最优表现。

    Oct, 2020

  • 针对目标的观点词提取的整空间模型训练

    研究了目标导向观点词提取（TOWE）任务中的样本选择偏差问题，并验证了在完整数据集上训练TOWE模型将显着提高模型性能，并且仅评估第一类型实例的TOWE模型将高估模型性能。

    Apr, 2022

  • 利用未标记数据进行面向目标的观点词提取

    本文提出使用未标记数据进行深度学习的目标导向情感词抽取任务，设计两种不同粒度的噪声数据过滤器，并采用多粒度一致性规则方法来降低训练数据和测试数据之间的分布飘移，实验结果表明该方法在四个基准数据集上优于当前最先进的方法。

    Aug, 2022

  • 以词片为代价：基于词片和方面增强的目标定向意见单词提取

    本文介绍了一种基于BERT模型的文本编码方法，该方法不再使用依存图卷积网络，而是使用BERT wordpieces来提取主题。此外，将句子-方面对作为输入，以提高对方面表示损失的性能。该方法在基准数据集上实现了最先进的结果，是进一步研究的强有力基线。

    May, 2023

  • 用于方面情感三元组提取的语义增强双编码器

    本文提出了一个框架，该框架利用了基本的编码器（主要基于BERT）和一个特殊的编码器，该编码器由Bi-LSTM网络和图卷积网络(GCN)组成，以捕获不同层次的语义信息并建模评论的依赖关系，通过融合两种编码器的语义，实现了多角度的交互，从而提高了方面-意见关系的全面理解， 并在基准数据集上进行了有效的实验验证。

    Jun, 2023

  • 基于句法特征的图神经网络情感分析框架

    本研究针对情感分析中的细微评估提取问题，提出了一个综合框架，该框架结合了主题描述符的位置信息，利用图的卷积和注意机制将句法结构转换为矩阵格式。该方案显著提升了评估分类的有效性，展示了其优越性。

    Sep, 2024