KDDFeb, 2022

基于 EDU 层面注意力的方面情感分析

PDF
TL;DR该论文提出了一种基于 EDU 边界的句子建模方法，旨在克服句子同时表达多个方面情感极性的问题。该模型通过在单词和 EDU 级别上进行稀疏注意力，突出表达情感的单词，并使用 EDU 级别稀疏注意力和正交正则化来确保模型在适当的 EDU 上关注正确的方面。实验证明该方法优于现有的基线算法，并能够直接应用于句子，无需手动标注 EDU 边界。
sentimentelementary discourse unitssparse attentionmodelingautomatic segmentation
发现论文，激发创造
  • 多示例学习网络用于细粒度情感分析

    本文从多实例学习的角度考虑了细粒度情感分析的任务。我们的神经模型通过文档情绪标签进行训练，学习预测文本片段的情感，如句子或基本话语单元 (EDUs)，不需要对片段级别进行监督学习。我们引入了基于注意力机制的极性评分方法，用于确定正面和负面的文本片段，并提出了一个新的数据集，称为 SPOT（作为片段级别极性注释的简称），用于评估 MIL 样式的情感模型，结果表明，比多个基准线有了更好的性能表现，而一个评估研究表明，EDU 级别的意见提取产生的摘要比基于句子的替代方案更为信息丰富。

    Nov, 2017

  • 增强文本表示法的多 EDU 结构感知检测假新闻

    本文介绍了一种基于 Elementary Discourse Unit 的多层次感知模型 (EDU4FD) 来改善文本表示，其中包括序列和图形的 EDU 表示。 这两种 EDU 表示被结合为增强的文本表示，以识别并有效感知假新闻。 通过实验表明，使用该模型可优于现有基于文本的方法。

    May, 2022

  • 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

  • 具有变长摘要的教育层面抽取式摘要

    该论文研究了基于 Elementary Discourse Unit 的提取式文本摘要模型，从理论和实验角度出发论证了该模型相对于传统模型在自动评估得分和人工评估方面的优势，并在数据集上取得了更好的 ROUGE 得分，同时也保持了很好的语法和可读性。

    Oct, 2022

  • 基于关系图注意力网络的基于方面的情感分析

    本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在 SemEval 2014 数据集和 Twitter 数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。

    Apr, 2020

  • 基于图神经网络的句法感知方面级情感分类

    本文提出了一种基于目标相关性的图形注意网络（TD-GAT），以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别，并使用 BERT 表示进一步提高了性能。

    Sep, 2019

  • 用于方面级情感分类的双重关注模型

    提出了一种新的双重注意模型 (DAM) 用于方面级情感分类，该模型使用依存标签作为关注机制以提高性能，并在 SemEval 2014 和 Twitter 数据集上进行实验，取得了良好的效果。

    Mar, 2023

  • 基于知识图谱和循环注意网络的方面级情感分析

    本文提出了一种新方法，通过解决上下文特定词义的挑战来提高情感分析的效果。它结合了双向长短期记忆网络（Bi-LSTM）和知识图谱的同义词数据的优势，利用动态注意力机制开发出一种知识驱动的状态向量。为了对特定方面的情感进行分类，该方法构建了一个集成位置数据的存储库，然后使用多层门控循环单元（GRU）分析此数据以确定与特定方面词相关的情感特征。对三个广泛可用的数据集的测试结果表明，该方法在情感分类方面表现出优秀的性能。

    Dec, 2023

  • 利用图卷积网络建模情感依赖性进行方面级情感分类

    本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

    Jun, 2019

  • 增强方面 - 句子意识：一种面向方面的情感分析的新方法

    通过增强方面 - 句子感知关注机制，提出了一个名为 A3SN 的新颖技术，通过增加注意力模块和整合特征表示，增强了 Aspect-Based Sentiment Analysis（ABSA）的效果，并在三个基准数据集上胜过了最先进的基准模型。

    May, 2024