告诉模型去关注什么:通过小型解释注释来提高方面情感分类的可解释性
基于梯度的解释方法在自然语言处理中被越来越多地用于解释神经模型,该论文提出了一种基于信息瓶颈的梯度解释框架用于方面感情分析,通过识别与情感相关的特征,显著提高了模型的性能和可解释性。
Feb, 2024
本文提出了一种基于图的深度学习模型,该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量,并在模型中注入从依赖树中获取的每个单词的重要性得分,从而改善方面级情感分析的表征向量,实现了三个基准数据集上的最新成果。
Oct, 2020
本文提出了一种新颖的 Aspect-Guided Deep Transition 模型(AGDT),该模型通过专门设计的深层转换结构从头开始利用所给定的方面来指导句子编码,以重构给定的方面与生成的句子表示相结合的面向方面的目标,从而能够准确生成面向方面的句子表示形式,进而进行更准确的情感预测,并通过多个 SemEval 数据集的实验结果表明,我们提出的方法明显优于最佳报道结果。
Sep, 2019
提出了一个可以有效解决类别不平衡问题的 Plug-and-Play Pairwise Semantic Interaction(PSI)模块,通过对成对句子的语义向量进行学习,从而增强了句子之间的高级语义特征交互,证明在四个 ABSC 数据集上,PSI 模块比竞争对手的基线表现更好并且显著减轻了类别失衡问题。
Feb, 2022
本文提出了 GRACE 模型,通过引入层级标签和动态调节标签权重机制,解决了既往研究所忽视的方面术语交互和情感分类不平衡问题。实验结果表明,该模型在多个基准数据集上都取得了最新的、一致的最佳结果。
Sep, 2020
本文提出了一种基于句法依存知识的交互式多任务学习模型,结合依存关系嵌入图卷积网络和简单有效的消息传递机制,以实现对情感分析的方面术语的提取和情感识别任务,并采用 BERT 作为附加特征提取器,实现了对现有最新技术方法更显著的效果提升。
Apr, 2020
本文对 ABSC 领域的三种主要模型进行了分类:基于知识、机器学习和混合模型,并对基于 transformer 模型和深度学习模型的最新技术进行了讨论,摘要了不同模型的性能表现,其技术和直观解释,还总结了各种模型输入技术和输出评估技术,并提出了该领域的未来研究趋势。
Mar, 2022
该研究提出了一种名为 KGAN 的知识图增强网络,旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征,然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示,并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验,并在所有数据集中实现了最先进性能的新纪录。
Jan, 2022
该研究论文提出了一种基于局部和全局特征的模型,通过设计局部编码器和双级图注意网络,有效地对面向方面的情感分类进行建模,并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。
Nov, 2023
本文提出了一种基于深度神经网络模型参数空间局部几何性质的解释性方法 —— 几何引导的积分梯度法,在主观和量化评价方面表现优于传统的积分梯度法和总体梯度法,并提出了 “模型扰动” 的健全性检查,以补充传统的 “模型随机化” 测试。
Jun, 2022