基于锚定正则化的集成学习用于无监督方面提取
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
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
本文提出了一种基于互信息最大化的简单而有效的技术,用于增强任何类型的模型进行跨领域 ABSA 和 ATE,并分析了该方法。实验结果表明,我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32%。此外,我们的方法可以扩展到其他序列标记任务,例如命名实体识别(NER)。
Jan, 2022
本文提出了一种在 Supervised ATE 任务中表现最好的架构,同时可作为无人监督 ATE 的特征提取器和分类器,以及一种自动构建 ATE 数据集的方法。我们的无人监督方法优于 SemEval 监督 ABSA 基线,并保持高精确度得分。
Sep, 2017
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
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
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
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
本研究提出了一种基于传输学习的混合方法,通过利用大型语言模型和传统句法依存关系生成弱监督注释,以解决当前最先进的 ABSA 研究中的显著挑战。在多个数据集上进行了大量实验,证明了该混合方法在方面词提取和方面情感分类任务中的有效性。
Mar, 2024
本文提出了一种极弱监督的多标签方面类别情感分析框架,并提出了一种自动词语选择技术来选择这些种子类别和情感词,利用无监督语言模型后训练来提高性能,在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。
Nov, 2022