EMNLPNov, 2022

AX-MABSA：一种用于极弱监督的多标签基于方面的情感分析框架

PDF
TL;DR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。
aspect-based sentiment analysisweakly supervisedmulti-labelunsupervised language modelbenchmark datasets
发现论文，激发创造
  • 使用迁移学习的混合方法进行基于方面的情感分析

    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

  • 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

  • 令人尴尬地简单的无监督方面情感元组提取

    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

  • W2VLDA: 面向方面的情感分析的几乎无监督系统

    本文描述了一种无需大量手动标注数据的几乎无监督的系统 W2VLDA，配合一些其他无监督方法和最小配置，能够为任何给定的领域和语言执行方面 / 类别分类，分离方面术语 / 观点词和情感极性分类，并在多语言数据集 SemEval 2016 任务 5（ABSA）中获得具有竞争力的结果（对于英语、西班牙语、法语和荷兰语的酒店、餐馆、电子设备等领域）。

    May, 2017

  • 跨语言方面情感分析的对比学习 (Cross-lingual Aspect-based Sentiment Analysis 的对比学习)

    介绍了一种用于多语言情感分析的新型框架 CL-XABSA，它基于对比学习，包括 token level 对比学习和 sentiment level 对比学习，可以通过多语言数据训练，并使用知识蒸馏技术进一步提高模型性能。该方法在跨语言情感分析、知识蒸馏和多语言情感分析三个任务中均有一定的改进。

    Apr, 2022

  • 针对少样本方面情感分析的指令调整

    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

  • 基于方面的情感分析研究综述：任务、方法和挑战

    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

  • 一种简单的基于信息的无监督领域自适应方面情感分析方法

    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

  • AoM: 多模态基于方面的情感分析中检测面向方面的信息

    本研究提出了一种面向方面的方法（AoM），旨在检测与方面相关的语义和情感信息，并使用图卷积网络模拟视觉文本和文本之间的交互，明确地引入了情感嵌入，以准确地聚合情感信息。

    May, 2023

  • 针对少样本基于方面的情感分析的弱监督方法

    本文探讨了如何利用无标注数据的弱监督来提高方面情感分析（ABSA）任务在少量样本情况下的性能。我们提出了一种管道式方法来构建一个嘈杂的 ABSA 数据集，并利用它来使预训练序列到序列模型适应 ABSA 任务。我们将该方法在三个常用的 ABSA 数据集上进行了测试，在微调前后均保持了完全的微调性能，同时在较难的任务的少量样本（Few-shot learning）情况下显示出了显著的改进（15.84％绝对 F1）。在零样本（即没有微调）情况下，我们的方法在方面提取情感分类（AESC）任务上优于先前的最新技术，并且还能够执行更难的方面情感三元组提取（ASTE）任务。

    May, 2023