PyABSA: 一个模块化框架用于可重复的基于方面的情感分析
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
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
UnifiedABSA 是一个基于多任务学习的通用 ABSA 框架,它可以统一建模各种任务并利用多任务学习捕捉任务间的依赖关系,实现数据高效性和优于专用模型的性能。
Nov, 2022
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
该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统,对于研究人员选择语料库时应考虑的一些特点进行了概述,分析了目前的收集方法的利弊,并建议未来 ABSA 数据集收集,在 65 个公开可用的 ABSA 数据集上进行了调查。
Apr, 2022
本文提出了一个统一的框架来解决基于方面的情感分析(ABSA)及其相关子任务,通过在多任务学习模式下使用 T5 模型,通过教学提示进行 fine-tuning,并在多个基准数据集上实现了表现提升(F1 绝对值增加了 6.75),特别是在少样本情况下。
Oct, 2022
本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct,通过在任务描述中添加 NLP 相关任务前缀,相较于基准模型,在所测试的所有 SemEval 子任务中取得了更好的性能,并在 Rest14(ATE 子任务)上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果,并且我们发现,即使存在噪声,前缀增强的提示质量也可以提高模型性能。同时,我们的方法在生物医学领域数据集(ERSA)上也取得了有竞争力的结果。
May, 2024
该文系统地综述了目前各种基于方面的情感分析(ABSA)任务及其解决方案,包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表,并强调了近年来对多元素 ABSA 任务研究的重要性。同时,该文总结了预训练语言模型在 ABSA 中的应用,介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术,并讨论了 ABSA 未来发展的方向与挑战。
Mar, 2022
本论文提出了一种整合了明确情感增强的 ABSA 方法,通过基于规则的数据对 T5 进行后训练,并采用句法距离加权和不合理对比正则化来生成明确情感,同时利用约束束搜索确保增强句子包含方面术语,在 ABSA 两个最流行的基准测试中,ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。
Dec, 2023
我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性,以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明,我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外,我们的工作还为无监督的观点词挖掘方法设立了一个基准。
Apr, 2024