Jul, 2022

使用带有 Local Context 焦点机制的 DeBERTa 进行基于方面的情感分析

PDF
TL;DR本文通过整合 DeBERTa 模型和 Local Context Focus 机制提出了一个多任务学习模型，来解决基于方面的情感分析问题，在 SemEval-2014 以及 ACL Twitter 数据集上取得了显著的进步。
text sentiment analysisaspect-based sentiment analysispre-training neural modeldeberta modelmulti-task learning
发现论文，激发创造
  • 基于 BERT 与构建辅助语句的方面情感分析

    本研究使用 BERT 模型，将 ABSA 转换为句对分类任务，取得了 SentiHood 和 SemEval-2014 Task 4 数据集的最新最佳结果，旨在识别特定方面的细粒度观点极性。

    Mar, 2019

  • 基于地理位置的方面情感分析（ABSA）用于众包评估城市环境

    该研究开发了一个能够从地理定位的城市评价中提取城市方面，并对其进行情感分类的 ABSA 模型。通过对 2500 个公共公园的众包评价进行数据标注，并在这些数据上使用带有局部上下文焦点的双向编码器表示转换 (BERT) 模型进行训练，我们的模型在城市评价的方面术语提取和方面情感分类任务中取得了显著的预测准确性。通过空间可视化展示了波士顿的正负城市方面。我们希望这个模型对设计师和规划师进行细粒度的城市情感评价时能够有所帮助。

    Dec, 2023

  • 提高 BERT 对于基于方面的情绪分析的表现

    本文介绍了基于深度学习模型 BERT 的两个模块 Parallel Aggregation 和 Hierarchical Aggregation， 用于 Aspect-Based Sentiment Analysis 中的 Aspect Extraction 和 Aspect Sentiment Classification， 改善了模型的性能。

    Oct, 2020

  • 面向方面的情感分析技术：一项比较研究

    通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

    Jul, 2024

  • 一种新颖的关于方面的情感分析的反事实方法

    提出一种采用反事实数据增强方法，针对情感分析任务中球面情感倾向分析的问题，该方法利用集成梯度计算和蒙版技术对情感表达式进行反转，并通过一个 T5 预训练语言模型进行预测，在三个开源数据集上获得更好的结果。

    Jun, 2023

  • 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

  • 中文方向的方面极性分类与方面词提取的多任务学习模型

    本文提出了一种基于局部上下文聚焦机制（LCF）的多任务学习模型，在中、英文评论中实现同时提取方面术语和推断其极性，并结合领域适应的 BERT 模型，在四个中文评论数据集上实现了最新的方面术语提取和方面极性分类的最佳表现。此外，在常用的 SemEval-2014 任务 4 餐厅和笔记本电脑数据集上的实验结果也超过了 ATE 和 APC 子任务的最新成果。

    Dec, 2019

  • ATP：一种全面关注整合方法以增强 ABSA

    本研究提出了一种基于依存句法分析树的注意力机制方法，以捕获与情感极性相关的方面位置信息，作为 Aspect based sentiment analysis (ABSA) 的一种当前先进的方法。

    Aug, 2022

  • BERT-ASC: 基于辅助句构建的隐式方面表示学习在情感分析中的应用

    本文提出了一种基于辅助句子和 BERT-ASC 的方法，来解决在缺乏标注数据的情况下，针对文本中暗含的方面进行情感分析和分类的问题，并在真实数据集上进行了有效性验证和性能评估。

    Mar, 2022

  • 基于句法信息的综合方面情感分析的交互模型

    我们引入了一种创新模型：句法依赖增强的多任务交互架构 (SDEMTIA)，用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型)，并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制，以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性，明显超越了现有方法。此外，引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。

    Nov, 2023