该研究引入了 Sentiment Knowledge Enhanced Pre-training(SKEP),旨在为多个情感分析任务学习统一的情感表示,并在实验中取得了新的最佳表现。
May, 2020
本文提出了一个基于知识增强的对抗模型(KEAM),采用对抗性的嵌入适配器来提高跨语言传输效果,并采用句法 GCN 编码器以传输显式的语义,并在五个数据集上进行实验,结果显示 KEAM 模型在多个指标上优于传统的无监督方法。
May, 2022
利用 transformers-based solutions 在 RuSentNE-23 评估数据上实现了实体级情感分析,并通过使用新技术和多个模型的 ensemble 方法达到最佳结果。
Aug, 2023
情感分析将情感表达在文本中进行识别,本文将情感分析分解为两个任务:区分评论是否 “引导” 情感或情感是否 “引导” 评论的因果假设,以及使用评论预测情感的传统任务。利用心理学中的峰 - 尾规则,我们通过计算整体情感得分来将样本分类为两种因果假设。对于预测任务,我们根据样本中发现的因果机制提出因果提示,以改进 LLMs 性能,从而在零样本五分类情感分析中实现了高达 32.13 F1 分的显著提升。
Apr, 2024
本论文提出了一种整合了明确情感增强的 ABSA 方法,通过基于规则的数据对 T5 进行后训练,并采用句法距离加权和不合理对比正则化来生成明确情感,同时利用约束束搜索确保增强句子包含方面术语,在 ABSA 两个最流行的基准测试中,ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。
Dec, 2023
本文提出了 SentiPrompt 框架,通过在联合框架中注入情感知识并构建一致性和极性判断模板,明确建模方面和观点术语之间的关系,使其优于三元组提取,一对提取和情感分类方面的强基线。
Sep, 2021
本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct,通过在任务描述中添加 NLP 相关任务前缀,相较于基准模型,在所测试的所有 SemEval 子任务中取得了更好的性能,并在 Rest14(ATE 子任务)上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果,并且我们发现,即使存在噪声,前缀增强的提示质量也可以提高模型性能。同时,我们的方法在生物医学领域数据集(ERSA)上也取得了有竞争力的结果。
May, 2024
为了提高 NLP 任务中的语言理解能力,在考虑了文本的语言学知识(例如词性标注和情感极性)的基础上,提出了一种新的语言表示模型 SentiLARE,并使用标签感知掩蔽语言模型进行预训练,实验结果表明 SentiLARE 在各种情感分析任务上取得了最新的最佳性能。
Nov, 2019
本文提出了一种新的基于情感的预训练语言模型 SentiWSP,结合了单词级别和句子级别的预训练任务,通过基于生成对抗网络的替换情感单词检测和对比学习的方法,使得该模型在情感分析任务中达到了最新的最佳性能表现。
Oct, 2022
本篇研究探讨了实体级情感分析(Entity-Level Sentiment Analysis,ELSA)这一任务,通过对多个领域的专业评论进行深入研究,发现其中所包含的情感涉及的实体与情感之间存在着特定关系,并提供了一系列实验以证明文档级、句子级和目标级情感分析对于 ELSA 的贡献,并探讨了它们的缺点。同时,还对该领域的先前相关研究进行了综述。
Apr, 2023