EMNLPSep, 2021

更近一步：学习如何将方面与观点联系起来

PDF
TL;DR本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外，对标准 SemEval Restaurant14 数据集的详细分析表明，方面词和观点词之间的平均距离至少缩短了 19%。
dependency parse treesaspect-based sentiment analysisopinion wordstree structurepolarity
发现论文，激发创造
  • ATP：一种全面关注整合方法以增强 ABSA

    本研究提出了一种基于依存句法分析树的注意力机制方法，以捕获与情感极性相关的方面位置信息，作为 Aspect based sentiment analysis (ABSA) 的一种当前先进的方法。

    Aug, 2022

  • 门控图卷积网络和基于语法规则的调控改进方面情感分析

    本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。

    Oct, 2020

  • 句法重要吗？使用 RoBERTa 实现方面情感分析的强基线

    本文主要研究了基于 RoBERTa 的预训练模型在情感分析任务 ABSA 中的效果，发现 RoBERTa 可以通过融合任务相关的语法信息来逼近甚至超过先前的最佳方法，并提出了一个新的基于 RoBERTa 的方法来预测方面级别的情感极性。

    Apr, 2021

  • 基于观点树解析的方面情感分析

    本文提出了一种基于意见树解析的模型，通过使用新的无上下文意见语法规范化意见树结构并采用神经图表意见树解析器，可以更全面更完整地显式地呈现方面级情感结构并发现情感元素之间的相关性，比现有模型更快且更优秀。

    Jun, 2023

  • 基于依存句法知识增强的交互式架构，用于端到端的基于方面的情感分析

    本文提出了一种基于句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用 BERT 作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

    Apr, 2020

  • 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

  • 面向观点三元组提取的多任务学习框架

    提出了一种新颖的 Aspect-based Sentiment Analysis 框架，采用多任务学习和双仿射评分器，同时提取方面术语和意见术语，并解析它们之间的情感依赖关系，实验结果表明，相对于现有技术，该方法在 SemEval 基准测试中取得了显著的改进。

    Oct, 2020

  • 学习检测观点摘要用于方面情感分析

    本研究提出了一种基于 hard-selection 的方法，利用预训练的 BERT 模型学习句子和方面之间的关联，通过自我评估强化学习检测看法片段，从而针对多方面句子进行情感分析，在处理准确性上表现优于软选择方法。

    Sep, 2019

  • 双向依存树表示法改进方面术语提取

    本篇文章提出了一种深度学习模型，用于从给定句子中提取方面术语。 该模型基于双向依赖树，同时利用自下而上和自上而下的传播方法获得了更全面的信息，并且在 SemEval 数据集上优于现有的基准模型。

    May, 2018

  • 基于深度上下文和关系感知的方面情感分析学习

    本文提出了一种深度上下文感知关系网络（DCRAN）方法，基于两个模块（即方面和观点传播、显式自监督策略），允许任务之间的交互关系和深度上下文信息，并设计了一些新的对于 ABSA 有很好应用的自监督策略，实验表明，在三种广泛使用的基准测试中，DCRAN 的性能明显优于以往的最先进方法。

    Jun, 2021