Jun, 2022

判别模型在基于方面的情感分析中仍然可以优于生成模型

PDF
TL;DR该研究评估了最先进的两种分类和生成模型的能力，结果表明，在跨语言，跨域和跨语言域等不同场景下，相较于生成模型，判别模型在大多数情况下仍然是更好的选择。
aspect-based sentiment analysisgenerative modelsdiscriminative modelsgeneralizabilitycross-lingual
发现论文，激发创造
  • 跨领域方面情感分析的双向生成框架

    本文提出了一个统一的双向生成框架，基于生成模型，通过域自适应和数据增强来解决跨领域细粒度情感分析问题，并在四个跨领域情感分析任务上达到了最新的最佳结果。

    May, 2023

  • 生成范式中的跨度提取评估：关于面向方面的情感分析的思考

    在生成式语言模型和情感分析的领域中，针对现有的评估方法进行重新审视和重构，强调了针对生成式模型的复杂性，并提出了一份全面的指导方针以确保准确反映生成能力的情感分析评估。

    Apr, 2024

  • 探索基于条件文本生成技术的方面情感分析

    本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务，在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型，获得了最新的最优结果。

    Oct, 2021

  • 面向方面的情感分析的统一生成框架

    本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列，将 ABSA 的各个子任务转换为统一的生成式公式，并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明，我们的框架在四个 ABSA 数据集上实现了实质性的性能收益，并为整个 ABSA 子任务提供了真正的统一端到端解决方案，这可使多个任务受益。

    Jun, 2021

  • 寻求共性但又有区别的差异：联合基于方面的情感分析模型

    本研究在进行方面基情感分析 (ABSA) 任务时，提出了一种双编码器的设计方法，既保留了编码器共享的优点，又针对不同的任务进行了差异化改进，经实验证明，该模型在四个基准数据集上表现显著优于之前最先进的模型。

    Nov, 2021

  • 关于方面情感分析的稳健性：对模型、数据和训练的重新思考

    本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

    Apr, 2023

  • 基于语法指导的领域自适应情感分析

    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

  • 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

  • 逐步矫正：使用扩散模型改进基于方面的情感分析

    DiffusionABSA 是专门为 Aspect-Based Sentiment Analysis（ABSA）而设计的一种新型扩散模型，通过逐步提取方面术语，并采用一种逆向的去噪过程来精确确定边界，其中使用了语法感知的时间注意机制，实验证明 DiffusionABSA 在八个基准数据集上相对于其他基准模型具有明显的优势。

    Feb, 2024

  • 自动检测方面的方面情感分析（Auto-ABSA）

    本文提出了一种利用句子中有关方面的辅助句子来帮助情感预测的方法，该方法包括使用多方面检测模型进行方面检测，并将预测出的方面与原始句子组合作为情感分析模型的输入，并通过训练情感分类模型进行领域外的基于方面的情感分析。最终，我们对两个基准模型和我们的方法进行对比，发现我们的方法确实有意义。

    Jan, 2022