基于无监督的方面 - 情感共同提取:解锁推荐的力量
该研究提出了一种关于 Aspect Sentiment Triplet Extraction(ASTE)的配对增强方法,通过引入对比学习,在训练阶段向三元组提取模型注入配对知识,以解决当前模型中存在的复杂语言和单个句子中存在多个方面项和意见项的问题。实验结果表明,该方法在四个 ASTE 数据集上的表现良好,并验证了对比学习相对于其他配对增强方法的优势。
Jun, 2023
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
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
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
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
该研究提出了一种将方面提取和基于方面的推荐相结合的端到端方法,利用最近大型语言模型的进展并设计了一种新的提示学习机制来为最终推荐任务生成方面。在三个工业数据集上进行的实验证明,该方法显著优于现有的基线方法,必要且有益的结合了方面提取和基于方面的推荐学习。
Jun, 2023
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
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
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。
Sep, 2021
本文提出了基于多层次评价维度的评分系统,并通过介绍由包含 500 万个评论的新语料库建立的三个预测任务的数据集,证明了该模型的可行性及在现实世界数据上的可扩展性。此外,该模型能够自动学习与特定方面相关的内容词和情感词,从而将评论文本中的内容和情感信息分离开来。
Oct, 2012