Sep, 2022

利用方面 - 文档情感组合显式实现零样本方面级情感分类

PDF
TL;DR本文提出了 AF-DSC 方法，仅使用基于文档级别评论的信息，就可实现零样本学习的方面级别情感分类，通过该方法将文档级别情感分类与方面级别情感分类相结合，并证明了情感组合在文档级别情感分类中的重要性。
zero-shot aspect-level sentiment classificationdocument-level reviewssentiment compositionaf-dsc methodexperimental results
发现论文，激发创造
  • 无监督意见抽取消除方面级情感分类的情感偏差

    本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。

    Sep, 2021

  • 利用文档知识进行方面级情感分类

    本文探索了两种从文档级数据转移知识的方法，以提高方面级情感分类的性能。我们在 SemEval 2014、2015 和 2016 年的 4 个公共数据集上证明了我们方法的有效性，并显示注意力机制的 LSTM 从文档级知识中受益。

    Jun, 2018

  • 一种变分方法用于弱监督的文档级多方面情感分类

    本文基于依赖解析和简单的规则，提出了一种弱监督多方面情感分类方法，通过引入一个潜在变量和变分下界来实现情感极性的学习，实验表明该方法优于弱监督基线模型并与具有百个标签的监督方法具有可比性。

    Apr, 2019

  • 具备自然语言提示的开放式目标情感分类

    在研究中，提供了基于自然语言提示的方法来解决无标注语料下的商业产品中各方面情感分析问题。在此基础上，还提出了将 ATSC 转化为 NLI 任务的方法，并在 SemEval 2014 的 laptop 领域中实现了较高的性能，同时还可以隐含地检测出未提及的方面。

    Sep, 2021

  • 学习无监督语义文档表示以进行细粒度的基于方面的情感分析

    本文提出了一个模型，克服了顺序和非顺序方法所遇到的困难，在情感分析任务和细粒度的基于方面的情感分析上取得了显著的优越性能。

    Jan, 2024

  • 无细粒度标签的多方面情感分析的文档级监督

    基于 VAE 的主题建模方法，利用文档级别的监督，在不需要精细标注方面或情感方面的标签的情况下完成 ABSA，能够检测文档中的多个方面，从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明，该方法显著优于最先进的基准模型。

    Oct, 2023

  • 零样本基于方面的情感分析

    本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。

    Feb, 2022

  • 基于方面特定观点跨度的方面情感分析

    本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

    Oct, 2020

  • 基于有监督对比预训练学习因果隐含情感的方面情感分析

    采用超级对比预训练的方法，利用语言资源中的大规模情感注释语料库，对于产品评论中蕴含的明示和隐含情感表达进行预测，大幅提高对于细节方面表达情感的识别率，这种方法不仅在论文中实验证明了其有效性，还在 SemEval2014 基准测试集上取得了最好的表现。

    Nov, 2021

  • 通过联合建模方面和价值自动聚合

    我们提出了一个模型，通过联合方面识别和情感分析来汇总产品评论片段。我们的模型同时确定了评论中呈现的可评估方面的基础集，并确定了每个方面的相应情感，从而直接发现了产品的高评级或不一致方面。

    Jan, 2014