Jun, 2022

基于对抗训练和整词掩膜 BERT 的汽车评论文本情感分析模型

PDF
TL;DR本文提出了一种基于对抗训练和全词掩膜 BERT 的汽车评论情感分析模型，旨在克服汽车领域文本的词汇专业性和噪声问题，提高情感分析模型的准确性。
发现论文，激发创造
  • 通过转移学习的自然语言处理研究：情感分析实证研究

    通过预训练的 BERT 模型实现传递学习来增加情感分类的准确性，虽然结果完全正确，但仍需要进一步研究来验证模型的泛化能力。

    Nov, 2023

  • 基于深度学习的医学文本情感分析

    本研究使用双向编码器表示来自转换器（BERT）的基本预训练模型，并在输出层使用卷积神经网络（CNN）、全连接网络（FCN）和图卷积网络（GCN）等模块进行实验和分析。结果表明，在与 BERT 等预训练模型结合使用较小的医学文本数据集进行训练时，CNN 模型优于其他网络。该研究强调了在医学领域实现有效情感分析中模型选择的重要性，并为未来研究开发更高效的模型架构提供了参考。

    Apr, 2024

  • 针对越南评论的情感分析 BERT 微调

    本文介绍了使用 BERT fine-tuning 方法处理越南评论数据集中情感分析任务的实验结果，并且发现相比于使用 GloVe 和 FastText，使用 BERT 模型略胜一筹。同时，本文研究提出的 BERT fine-tuning 方法也比原模型表现更好。

    Nov, 2020

  • BERT-Deep CNN: COVID-19 推文情感分析的最新技术

    本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

    Nov, 2022

  • 使用 BERT 进行基于方面的情感分析的对抗式训练

    应用对抗性培训来提高 BERT 在情感分析的方面提取和观点分类任务中的性能。

    Jan, 2020

  • 基于视觉解释的自我改进分类系统：使用虚拟对抗训练

    通过将虚拟对抗训练（VAT）与 BERT 模型结合，提出了一种基于视觉解释的自我改进的分类模型，用于解决使用 BERT 构建的分类系统存在的解释困难和鲁棒性低的问题。实验结果表明该模型在 Twitter 的推文数据集上对分类任务具有显著有效性。

    Sep, 2023

  • 使用监督机器学习和 BERT 模型进行在线虚假评论检测

    本研究提出使用 BERT 模型从文本（即评论）中提取词嵌入来改进现有的虚假评论分类或检测方法，结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器，并且比之前的研究中使用的分类器高出 7.6％。

    Jan, 2023

  • 通过反事实评估减少语言模型中的情感偏见

    本文旨在量化并减少语言模型中表现出的情感偏见，该文分析了在给定的条件下（例如写作提示）和语言模型中，引起生成的文本情感发生变化的敏感属性（例如国家名称，职业，性别）的值变化的影响。我们采用公平机器学习文献中的个体和团体公正度量来量化情感偏见，并证明在两种不同的语料库（新闻文章和维基百科）上训练的大规模模型存在相当高的偏见。我们随后提出使用嵌入和情感预测导出的正则化方法，该方法应用于语言模型的潜在表示。该正则化提高了公正度量，同时保持了可比水平的困惑度和语义相似性。

    Nov, 2019

  • 句子情感的可控转换

    本文提出了一种利用情感分类器和自编码器改变句子情感以生成更多训练数据的自动化流程，并使用词向量模型得出了 54.7% 成功率的实验结果。

    Jan, 2019

  • 通过上下文扰动和大型语言模型分析新闻报道中的情感极性削弱

    通过替换、插入和删除等三种扰动方法以及基于上下文的掩码语言模型，在保持核心语义的同时，最大程度地提高目标新闻方面的所需情感分数，并通过波束搜索算法降低情感极性，实现对情感操纵的类别纠正，从而提供更客观的新闻报道并抑制媒体情感语言偏见。

    Feb, 2024