Nov, 2022

基于语法指导的领域自适应情感分析

PDF
TL;DR本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。
发现论文，激发创造
  • 跨领域方面情感分析的双向生成框架

    本文提出了一个统一的双向生成框架，基于生成模型，通过域自适应和数据增强来解决跨领域细粒度情感分析问题，并在四个跨领域情感分析任务上达到了最新的最佳结果。

    May, 2023

  • 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

  • 基于方面的情感分析（ABSA）的系统综述：领域、方法与趋势

    该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析，揭示了 ABSA 研究文献中存在的一些系统性问题，并提出了一些建议。

    Nov, 2023

  • 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

  • 基于持续学习的大规模语言模型的提升在于基于方面的情感分析

    提出了一种基于大型语言模型的连续学习（LLM-CL）模型，用于情感分析的方面判断（ABSA），通过设计领域知识解耦模块和领域知识热身策略，实现了目标域和历史领域的能力的同时学习，对 19 个数据集进行的大量实验证明，我们的 LLM-CL 模型获得了最新的最佳性能。

    May, 2024

  • 自动检测方面的方面情感分析（Auto-ABSA）

    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

  • 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

  • 关于方面情感分析的稳健性：对模型、数据和训练的重新思考

    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

  • 逐步矫正：使用扩散模型改进基于方面的情感分析

    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

  • 基于句法信息的综合方面情感分析的交互模型

    我们引入了一种创新模型：句法依赖增强的多任务交互架构 (SDEMTIA)，用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型)，并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制，以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性，明显超越了现有方法。此外，引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。

    Nov, 2023