多域目标情感分析
本文介绍了一个新的 TSA 评估数据集 YASO,它包含来自多个评论领域的 2,215 个有标注情感倾向的英语句子,旨在解决现有数据集中领域集合小的限制,能够更真实地反映像 Amazon 或 Yelp 这样拥有许多领域不同的评论网站的表现情况,同时对该数据集进行了 5 个 TSA 系统的基准测试,结果表明仍有改进空间。
Dec, 2020
本文介绍了一个关于在情感分析中领域适应的研究。我们对领域相似度度量进行了广泛的研究,提出了新的表示方法、度量方法和数据选择。在推文和评论的大规模多领域适应设置中,我们评估了所提出的方法,并证明了它们一致地优于强随机和平衡的基线方法,而我们的选择策略优于实例级选择,并在大型评论语料库上获得了最佳分数。
Feb, 2017
提出了一个新的数据集和嵌套目标注释模式来扩展 open-domain 情感分析的实用性和有效性,运用预训练模型 BART 进行序列生成方法,结果表明 open-domain 目标情感分析领域有很大的改进空间,但是在使用 open-domain 数据、长文档、目标结构复杂性和领域差异上仍存在挑战。
Apr, 2022
该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析,揭示了 ABSA 研究文献中存在的一些系统性问题,并提出了一些建议。
Nov, 2023
本文介绍了一种新的领域自适应方法,即 Transferable Semantic Augmentation (TSA),该方法通过隐式地生成目标语义,提高分类器适应能力,来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进行源特征的数据增强,该方法可轻松接入各种领域适应方法,取得了显著的改进效果。
Mar, 2021
提出了一种基于跨度的提取 - 分类框架,其直接从句子中提取多个观点目标,并使用其跨度表示对相应的情感极性进行分类,该方法在三个基准数据集上的实验表明,该方法在情感分析中表现良好且优于以前的序列标注基线。
Jun, 2019
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
Sep, 2018
本文提出了一种基于互信息最大化的简单而有效的技术,用于增强任何类型的模型进行跨领域 ABSA 和 ATE,并分析了该方法。实验结果表明,我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32%。此外,我们的方法可以扩展到其他序列标记任务,例如命名实体识别(NER)。
Jan, 2022
本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA,配合一些其他无监督方法和最小配置,能够为任何给定的领域和语言执行方面 / 类别分类,分离方面术语 / 观点词和情感极性分类,并在多语言数据集 SemEval 2016 任务 5(ABSA)中获得具有竞争力的结果(对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域)。
May, 2017
本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法,该方法利用句法结构相似性构建伪训练实例,同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征;最后,为了减轻跨领域 End2End ABSA 中的情感不一致问题,引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明,与现有模型相比,我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。
Nov, 2022