基于对比学习和表达结构的生成式方面情感分析
提出了一种新的方法 iACOS 进行提取具有情感的隐式方面和意见,并通过多任务学习联合训练多标签分类器和其他两个分类器。实验结果表明,iACOS 在两个公开基准数据集上根据 F1 分数显著优于其他四元提取基线。
Nov, 2023
本文提出了一种通过将 ACSA 任务转化为自然语言生成任务,使得预训练语言模型可以更直接地应用于该任务设置,从而提高了在各种评估任务中的准确性,特别是在几次学习和零次学习设置下具有显著的优势。
Oct, 2021
本文研究了利用卷积神经网络和门机制的模型,提高方面基情感分析的准确性和效率。该模型的提出主要在于采用了 Gated Tanh-ReLU Units 来根据给定的方面或实体选择性地输出情感特征。实验结果显示其在 SemEval 数据集上的性能优越。
May, 2018
本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务,在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型,获得了最新的最优结果。
Oct, 2021
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
提出了一种新颖的 Aspect-based Sentiment Analysis 框架,采用多任务学习和双仿射评分器,同时提取方面术语和意见术语,并解析它们之间的情感依赖关系,实验结果表明,相对于现有技术,该方法在 SemEval 基准测试中取得了显著的改进。
Oct, 2020
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
提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案,采用图注意力模块和交互式损失函数,用于解决 Aspect category sentiment analysis (ACSA) 的问题,包括情感极性和方面类别检测,通过实验在五个公共数据集上验证了该方案的可行性。
Oct, 2020
该研究评估了最先进的两种分类和生成模型的能力,结果表明,在跨语言,跨域和跨语言域等不同场景下,相较于生成模型,判别模型在大多数情况下仍然是更好的选择。
Jun, 2022
本研究在进行方面基情感分析 (ABSA) 任务时,提出了一种双编码器的设计方法,既保留了编码器共享的优点,又针对不同的任务进行了差异化改进,经实验证明,该模型在四个基准数据集上表现显著优于之前最先进的模型。
Nov, 2021