Dec, 2021

CLASSIC: 方面情感分类任务的持续性和对比性学习

PDF
TL;DR本文研究了一种称为领域增量学习（DIL）的特定连续学习（CL）环境下，一系列方面情感分类（ASC）任务的 CL。 该论文提出了一种名为 CLASSIC 的新模型，具有对比连续学习方法，使得在测试中不需要任务 ID，能够实现跨任务的知识转移和知识蒸馏。 实验结果表明 CLASSIC 的高效性。
continual learningaspect sentiment classificationdomain incremental learningclassicknowledge transfer
发现论文，激发创造
  • 适应 BERT 进行连续学习的观点情感分类任务序列

    本研究提出一种基于胶囊网络的 B-CL 模型，通过前向和后向知识转移解决连续学习情感分类任务中的迁移学习和维持旧任务表现的问题，经过广泛的实验证明，该模型能够显著提高情感分类任务的性能。

    Dec, 2021

  • 基于持续学习的大规模语言模型的提升在于基于方面的情感分析

    提出了一种基于大型语言模型的连续学习（LLM-CL）模型，用于情感分析的方面判断（ABSA），通过设计领域知识解耦模块和领域知识热身策略，实现了目标域和历史领域的能力的同时学习，对 19 个数据集进行的大量实验证明，我们的 LLM-CL 模型获得了最新的最佳性能。

    May, 2024

  • 域不变特征蒸馏用于跨领域情感分类

    本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

    Aug, 2019

  • 跨领域情感分析的纯对比学习

    本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

    Aug, 2022

  • 持续学习的可学习性和算法

    本文研究了挑战性的连续学习（CL）设置下的类增量学习（CIL），证明了 CIL 是可学的，并基于理论提出了一种新的 CIL 算法，并通过实验结果证明了其有效性。

    Jun, 2023

  • 利用从粗到细的任务传递进行方面级情感分类

    本文提出一种多粒度对齐网络 (Multi-Granularity Alignment Network) 并采用粗到细任务转移方法，以改善低资源微观层面 Aspect Term (AT) 任务的学习效果，其中采用了一种新颖的辅助任务掌握的粗粒度 Aspect Category (AC) 任务的知识，并采用对比的特征对齐方法，通过语义的方式对齐方面 特定的特征表示。

    Nov, 2018

  • 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

  • SemEval-2016 任务 5 中的 INSIGHT-1：多语言基于方面的情感分析中的深度学习

    本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络（CNN）对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题，输出一个阈值参数化的方面概率。为了确定对方面的情感态度，我们使用局限系统（英语不受限制）对语句进行分析，其在所有语言和领域中均取得了竞争性的结果，对于方面类别检测（插槽 1）和情感极性（插槽 3）分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二，从而证明深度学习为基于方面和多语言的情感分析方法的可行性。

    Sep, 2016

  • 主动式连续学习：在一系列任务中标记查询

    研究了序列任务中主动持续学习（ACL）问题，其中每个任务都包括未标记数据池和注释预算，并发现了主动学习（AL）算法与 CL 算法之间的有效性和相互作用。实验揭示了忘却旧知识和快速学习 CL 和 AL 之间两个相反目标之间的权衡，并提出了一个遗忘 - 学习剖面来平衡 AL 和 CL 对课程增量方案的影响。

    May, 2023

  • 情感分类的终身学习

    本文提出了一种新颖的终身学习方法，采用贝叶斯优化框架和随机梯度下降算法，应用于情感分类问题并在实验中得到了明显的提升。

    Jan, 2018