结构化情感分析的稀疏模糊注意力
本文提出了一种新的统一框架,将结构化情感分析问题作为依存关系图解析,其中节点是情感持有者、目标和表达式,弧是它们之间的关系。在四种语言的五个数据集上进行实验,结果显示这种方法比现有技术有更好的表现,并通过依存语法信息改进情感图产生了更好的结果。
May, 2021
提出了一种基于平滑的最大值算子的新的稀疏和结构化的注意力机制,它不仅包括 softmax 和稀疏 max 作为特例,还可以融合现代结构惩罚,可以应用于神经网络中,在文本蕴含、机器翻译和句子摘要等任务中表现良好,提高了可解释性并保持性能优越。
May, 2017
本文提出一种基于转移的方法,使用指针网络架构实现,用于将文本中的观点作为依存句法结构提取并有效地表示。作者进行了详细评估,证明了该方法在多数情况下具有目前最好的表现,并在最具挑战性的数据集上超越了最新的任务特定技术。此外,作者还进行了深入的分析,实验表明本方法的时间复杂度成二次方,比表现最佳的基于图的解析器更高效。
May, 2023
本文提出了一种基于自注意力机制的句子嵌入模型,通过使用二维矩阵表示嵌入,并让每行矩阵分别关注句子中不同的部分,提高了可解释性。并在作者分析、情感分类和文本蕴含等三个任务中进行了模型评估,在所有任务中与其它句子嵌入方法相比表现出了显著的性能提升。
Mar, 2017
本文研究如何应用基于图的语义解析器直接从文本预测情感图来完成结构化情感分析的任务,取得了在 5 个标准基准测试集中 4 个的最先进结果,并公开了源代码、模型和预测结果。
Mar, 2022
采用领域无关的注意力增强序列到序列模型在一大合成语料库的标注基础上取得了最先进的效果,训练小规模人工标注的数据集时也达到了标准解析器的表现,且较大程度上提高了数据利用率和处理速度。
Dec, 2014
本文介绍了一种基于 label 和 span 独立评分的最小神经模型,并证明了该模型不仅与经典的动态规划技术兼容,而且还支持一种基于递归分割的新颖贪心自顶向下推理算法。经实验证明,两种预测方案竞争力强,并且与得分模型的基本扩展相结合,能够实现 Penn Treebank 的单模型最优性能(91.79 F1),并在法语 Treebank 上获得强大的性能(82.23 F1)。
May, 2017
本研究提出了一种基于注意力增强的编码器 - 解码器模型的通用方法,旨在消除传统方法所需的高质量词汇表、手工构建的模板和语言特征等问题,并可在不同领域和意义表示之间进行易于调整的转化,实验结果表明,该方法在不使用手工特征的情况下表现出了较强的竞争力。
Jan, 2016