May, 2022

使用结构化参数增强事件级情绪分析

PDF
TL;DR本研究重新定义了事件级别情感分析的任务，提出了一种称之为 $ extit {E}^{3} extit {SA}$ 的端到端事件级别情感分析方法，明确提取并模块化事件结构信息来增强事件级别情感分析。通过实验证明了该方法在现有技术中具有显著优势，并且通过提供包括事件论点和情感标签在内的大型真实世界数据集来促进更多的研究。
event-level sentiment analysisstructured argumentsend-to-end event-level sentiment analysisevent structure informationreal-world dataset
发现论文，激发创造
  • 基于生成方法的结构化情感分析在 SemEval-2022 任务 10 中的应用

    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

  • EFSA: 事件级金融情感分析

    该研究将金融情感分析（FSA）扩展到事件级别，通过设计粗细分类的事件类别，将事件从金融文本中提取出来，并提出了一个涵盖（公司，行业，粗事件，细事件，情感）的事件级别金融情感分析（EFSA）任务，在一个大规模的中文数据集上得到了与现有方法相媲美的结果。

    Apr, 2024

  • EA$^2$E: 基于事件感知的文档级论点抽取一致性改进

    本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

    May, 2022

  • 语义和句法增强的方面情感三元组抽取

    本文提出了一种利用语义和语法关系的 Semantical and Syntactically Enhanced aspect Sentiment triplet Extraction (model S3E2)，采用图 - 序列交互建模和 GRU 进行情感分析，能够有效地在四个基准数据集上提取出情感三元组信息。

    Jun, 2021

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • 事件论元抽取的资源增强神经模型

    该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

    Oct, 2020

  • 条件生成实现的文档级事件论元抽取

    本文提出了一种文档级神经事件关系抽取模型，将其作为一种条件生成的过程，并使用事件模板。此外，作者构建了一个新的包含完整事件和共指注释的文档级事件抽取数据集 WikiEvents。研究结果表明，该模型在事件论证抽取方面取得了较好的性能，并展示了零样本事件提取框架的可移植性。

    Apr, 2021

  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 从简单到复杂：一个逐步进行的框架，用于文档层面的信息论证提取

    基于文档的事件论证提取（EAE）需要从单个文档中提取多个事件的论证。我们提出了一个简单到复杂的渐进框架，通过计算每个事件的难度，并按照简单到复杂的顺序进行提取，以提供更可靠的记忆。在 WikiEvents 上的实验证明了我们的模型在 F1 上比 SOTA 高出 1.4％，这表明所提出的简单到复杂的框架对于 EAE 任务是有用的。

    Oct, 2023

  • 情感分析的因果性质

    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