COLINGAug, 2022

利用未标记数据进行面向目标的观点词提取

PDF
TL;DR本文提出使用未标记数据进行深度学习的目标导向情感词抽取任务，设计两种不同粒度的噪声数据过滤器，并采用多粒度一致性规则方法来降低训练数据和测试数据之间的分布飘移，实验结果表明该方法在四个基准数据集上优于当前最先进的方法。
fine-grained sentiment analysisopinion targetdeep learningunlabeled datamulti-grained consistency regularization
发现论文，激发创造
  • 面向目标的观点词提取的潜在意见转移网络

    本文旨在通过提出一种新的转移方法，将在资源丰富的评论情感分类数据集中获取的潜在意见转移到低资源任务 TOWE，实验结果表明，该模型相较于其他现有方法表现更佳且明显优于未转移意见知识的基础模型。

    Jan, 2020

  • 针对目标的观点词提取的整空间模型训练

    研究了目标导向观点词提取（TOWE）任务中的样本选择偏差问题，并验证了在完整数据集上训练 TOWE 模型将显着提高模型性能，并且仅评估第一类型实例的 TOWE 模型将高估模型性能。

    Apr, 2022

  • 使用深度学习将句法结构纳入目标观点词提取中

    本文提出了一种结合句子的句法信息和词语之间的句法连接的深度学习模型，并引入一种新颖的正则化技术，以提高目标意见词提取任务的性能，该模型在四个基准数据集上取得了最优表现。

    Oct, 2020

  • 以词片为代价：基于词片和方面增强的目标定向意见单词提取

    本文介绍了一种基于 BERT 模型的文本编码方法，该方法不再使用依存图卷积网络，而是使用 BERT wordpieces 来提取主题。此外，将句子 - 方面对作为输入，以提高对方面表示损失的性能。该方法在基准数据集上实现了最先进的结果，是进一步研究的强有力基线。

    May, 2023

  • 通过分类器差异进行自我训练以进行跨领域意见目标提取

    本文提出了一种基于领域适应的半监督学习方法，该方法通过挑选目标样本来提高目标域的性能，并在基准跨域 OTE 数据集上进行了广泛的实验。

    Feb, 2023

  • 利用挖掘规则作为弱监督实现神经方面与观点术语提取

    通过算法自动挖掘提取规则，应用于标注大量辅助数据，以及研究训练程序，使得神经网络模型在同时学习自动标注和人工精确标注数据的情况下，超越或与现有先进技术相当的表现。

    Jul, 2019

  • 简单而有效的合成数据集构建方法，用于无监督的意见摘要

    本文提出两种简单有效的无监督方法来生成针对特定方面和一般意见的摘要，其训练于构建的人工合成数据集上，第一种方法基于原始数据中的方面种子词，第二种方法则是利用自然语言推断模型。

    Mar, 2023

  • 定向数据生成：寻找和修复模型弱点

    为解决 NLP 模型在特定子群体上的不公平性和准确性问题，提出了一种名为 'Targeted Data Generation（TDG）' 的框架，它可以自动识别具有挑战性的子群体并使用大型语言模型（LLMs）来生成新数据，以提高模型的准确性。

    May, 2023

  • 情感目标抽取和目标情感预测的统一模型

    本研究提出了一个新颖的统一模型来解决目标基情感分析的任务，其应用了统一的标记方案，并且使用两个堆叠的循环神经网络来提高主任务的性能，并通过门机制维护观点目标内的情感一致性，在三个基准数据集上实验结果表明该框架具有优异的效果。

    Nov, 2018

  • 利用少量关键词通过弱监督联合训练进行细粒度方面检测

    本篇论文的主要研究是关于使用弱监督训练出纯文本的粒度级别用于用户生成的评论的细粒度方面分类器，并提出了基于学生 - 教师模型和迭代协同训练的方法来改进模型表现，对商品评论和餐厅评论的六个数据集，该方法模型的绝对 f1 值平均提升了 14.1 个百分点。

    Sep, 2019