May, 2022

针对土耳其文本的目标情感分析数据集和基于 BERT 的模型

PDF
TL;DR本研究旨在利用目标情感分析从给定的文本中提取针对特定目标的情感，我们提供了适用于目标情感分析的标注土耳其数据集，并提出了基于 BERT 的模型，结果表明，与传统情感分析模型相比，所提出的模型具有更好的性能。
targeted sentiment analysisinternetlow-resource languagesannotated turkish datasetbert-based models
发现论文，激发创造
  • 低资源情感分析的迁移学习

    本文描述了对库尔德语数据的情感分析数据集的收集和注释，并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。

    Apr, 2023

  • 开放域目标情感分析的挑战

    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

  • 一份用于政治标题目标情感分析的西班牙数据集

    本文通过针对 2019 年阿根廷总统大选主要媒体发布的 1,976 个题名候选人的情感数据集，利用预训练的语言模型和最先进的分类算法，解决了特定领域新闻标题情感分析的问题，并公开了数据和模型。

    Aug, 2022

  • ArSentD-LEV：基于目标词的阿拉伯黎凡特推文情感分析的多主题语料库

    本研究介绍了一个阿拉伯方言情感数据集（ArSenTD-LEV），包含 4,000 条推文，并提供了整体情感、情感表达方式、情感表达目标和推文主题等注释，研究结果表明这些注释可以提高基线情感分类器的性能，也确认了训练与测试领域不匹配的差距。

    May, 2019

  • 乌尔都语音与文本情感分析器

    本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

    Jul, 2022

  • TurkishBERTweet: 快速且可靠的社交媒体分析大型语言模型

    TurkishBERTweet 是第一个用于土耳其社交媒体的大规模预训练语言模型，使用近 9 亿条推文构建，其相对于 BERTurk 更轻量级且推理时间更短，在情感分类和仇恨言论检测等文本分类任务中表现优于其他可用的替代方法，并且与商业 OpenAI 解决方案相比具有可扩展性和成本效益。

    Nov, 2023

  • 波斯语情感分析：算法、方法和数据集综述

    本文回顾近年来关于波斯语情感分析的文章，分析了 40 种方法，包括使用机器学习和深度学习的转换器和神经网络，评估了这些方法对数据集的准确性，列出了 2018 至 2022 年的数据集和其详细信息。

    Nov, 2022

  • 多语言情感分析：一种基于循环神经网络的有限数据框架

    该研究旨在解决情感分析在不同语言中的多种语言依赖性问题，通过使用递归神经网络训练英文评论以建立一个主要用于英语的情感分析模型，并在俄语、西班牙语、土耳其语和荷兰语等其他语言中重复使用此模型来评估情绪，结果表明该方法在多语言情感分析中表现出色。

    Jun, 2018

  • 有则显之：充分利用细粒度情感标注

    本文探索了加入情感持有者和情感表达信息是否能够改善目标提取和分类，并在 8 个英文数据集上进行了实验证明，预测目标和情感 BIO 标签可以提高目标提取，将输入文本增加黄金表达通常可以改善有针对性的极性分类。同时，我们的结果表明，目前模型预测极性表达的性能差，从而阻碍了实践中这些信息的利用。

    Jan, 2021

  • 多语言情感分析的集成语言模型

    社交媒体的快速发展使得我们能够分析用户意见。尽管常用语言的情感分析已经取得了显著的进展，但由于资源限制，低资源语言像阿拉伯语等仍然很少有研究。本研究探讨了 SemEval-17 和阿拉伯语情感推文数据集上的推文文本的情感分析，并研究了四种预训练语言模型以及提出了两种集成语言模型。我们的发现包括单语言模型表现出更好的性能，集成模型优于基线，而多数投票集成模型胜过英语。

    Mar, 2024