EMNLPSep, 2021

无监督意见抽取消除方面级情感分类的情感偏差

PDF
TL;DR本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。
发现论文，激发创造
  • 基于方面特定观点跨度的方面情感分析

    本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

    Oct, 2020

  • 基于局部和全局特征的方面情感分类的联合学习

    该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。

    Nov, 2023

  • 面向方面级别情感分析的渐进式自监督注意力学习

    本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态 - of-the-art 神经方面级情感分类模型具有明显的优越性。

    Jun, 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

  • 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

  • 利用方面 - 文档情感组合显式实现零样本方面级情感分类

    本文提出了 AF-DSC 方法，仅使用基于文档级别评论的信息，就可实现零样本学习的方面级别情感分类，通过该方法将文档级别情感分类与方面级别情感分类相结合，并证明了情感组合在文档级别情感分类中的重要性。

    Sep, 2022

  • 基于有监督对比预训练学习因果隐含情感的方面情感分析

    采用超级对比预训练的方法，利用语言资源中的大规模情感注释语料库，对于产品评论中蕴含的明示和隐含情感表达进行预测，大幅提高对于细节方面表达情感的识别率，这种方法不仅在论文中实验证明了其有效性，还在 SemEval2014 基准测试集上取得了最好的表现。

    Nov, 2021

  • W2VLDA: 面向方面的情感分析的几乎无监督系统

    本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA，配合一些其他无监督方法和最小配置，能够为任何给定的领域和语言执行方面 / 类别分类，分离方面术语 / 观点词和情感极性分类，并在多语言数据集 SemEval 2016 任务 5（ABSA）中获得具有竞争力的结果（对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域）。

    May, 2017

  • 一种面向情感分类器的失效及自适应重新加权解决方案

    本文提出了一种基于深度学习和自适应重新加权的方案来解决情感分类中的问题，实验证明该方案可以显著提高模型的效果。

    Nov, 2019

  • 利用位置偏差进行鲁棒的方面情感分类

    本文针对当前情感分类模型面对领域迁移和对抗样本时的鲁棒性问题，提出了两种通过引入位置偏置来降低模型误判概率以提升分类效果的机制：加权偏置和丢弃偏置，在跨领域和对抗数据集上的实验证明，这种机制明显地提高了模型的鲁棒性和效果。

    May, 2021