ACLApr, 2022

BiSyn-GAT +: 面向方面情感分析的双语法感知图注意力网络

PDF
TL;DR文章提出了一种称为 BiSyn-GAT + 的新方法，用于解决传统基于依赖树的 Aspect-Based 情感分析方法的噪声干扰问题，该方法通过完全利用句子的依存树特征，包括短语分割和层次结构，来建模情感感知单个方面的上下文和跨方面的情感关系。通过实验证明，该方法对于 Aspect-Based 情感分析的四种基准数据集均优于现有的最先进方法。
aspect-based sentiment analysisfine-grained sentiment analysisgraph neural networksdependency syntaxsentiment-aware context
发现论文，激发创造
  • 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

  • 知识图谱增强网络用于多视角表征学习之基于方面的情感分析

    该研究提出了一种名为 KGAN 的知识图增强网络，旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征，然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示，并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验，并在所有数据集中实现了最先进性能的新纪录。

    Jan, 2022

  • 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

  • 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

  • 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

  • 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

  • 基于门卷积神经网络的方面情感分析

    本文研究了利用卷积神经网络和门机制的模型，提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。

    May, 2018

  • 一个新颖的基于方面的情感分析深度转换模型

    本文提出了一种新颖的 Aspect-Guided Deep Transition 模型（AGDT），该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码，以重构给定的方面与生成的句子表示相结合的面向方面的目标，从而能够准确生成面向方面的句子表示形式，进而进行更准确的情感预测，并通过多个 SemEval 数据集的实验结果表明，我们提出的方法明显优于最佳报道结果。

    Sep, 2019

  • 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

  • 可扩展的多粒度融合网络用于基于方面的情感分析

    该研究介绍了一种名为 “Extensible Multi-Granularity Fusion（EMGF）网络” 的方法，通过整合依赖句法、常量句法、注意力语义和外部知识图等信息，有效地利用每个粒度特征和它们之间的协同作用，实现了累积效应，而不会增加额外的计算费用。在 SemEval 2014 和 Twitter 数据集上的实验结果验证了 EMGF 方法对现有 ABSA 方法的优越性。

    Feb, 2024