情感图的直接解析
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
本文提出了一个基于统计语法分析的句子级情感分类框架,在此我们发展了一个统计分析器来直接分析句子的情感结构,并在上下文自由语法的基础上形成情感规则。我们训练情感分析器 s.parser,从用户评级的大量评论句子中直接获得情感极性标签,利用情感树得到情感强度和情感极性的极性模型和最佳情感树的排名模型,结果表明该方法显著优于基准情感分类方法。
Jan, 2014
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
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
本研究提出了一种基于依存句法分析的情感分析模型,并对其进行了改进,包括采用新的标签策略、图注意力网络和自适应多标签分类器来优化其性能,实验结果表明我们的模型在五个基准数据集上的效果大幅优于之前的最优模型。
Mar, 2022
本文提出了一种基于 BART 编码器 - 解码器结构统一生成的结构化情感分析方法,该方法可以在单语和跨语言子任务上实现竞争性情感 F1 得分表现。
May, 2022
研究新架构用于情感分析的任务,结合了大规模的 MEGA-DT treebank 以及基于混合 TreeLSTM 分层注意模型的神经架构,通过情感相关的话语增强情感预测性能,实验结果显示,性能优于使用先前基于人类注释数据训练的良好建立的话语解析器的方法,同时演示了一个简单的组合方法如何进一步增强性能。
Nov, 2020
本文介绍了一种基于深度学习的语义依存图形式分析系统,该系统采用效率高且几乎拓扑结构简单的推理方法,通过组合双向 - LSTM 和多层感知机,能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究,并获得了新的技术成果。
Apr, 2017
本文研究了使用神经模型对组分树进行情感分类。在研究中探索了两种深度情感表达的形式,分别是通过潜变量和高斯混合向量来捕捉情感子类型表达的形式。实验表明,使用我们的方法,结合 ELMo 嵌入,可以在 Stanford 情感树库 (SST) 上取得最佳结果。
Jun, 2019