Mar, 2023

软提示引导的跨领域情感分析联合学习

PDF
TL;DR本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。
aspect term extractionfine-grained sentiment analysiscross-domain transfer learningsoft prompt-based joint learning methodlinguistic features
发现论文，激发创造
  • 使用知识图谱增强的 Transformer 进行跨领域方面提取

    本文介绍了一种自动构建领域特定知识图谱的方法，并通过将其注入到 Transformer 模型中以识别 aspect terms，提高了跨域情感分析中的性能表现。

    Oct, 2022

  • 针对个性化方面提取的大型语言模型的提示调整，用于推荐

    该研究提出了一种将方面提取和基于方面的推荐相结合的端到端方法，利用最近大型语言模型的进展并设计了一种新的提示学习机制来为最终推荐任务生成方面。在三个工业数据集上进行的实验证明，该方法显著优于现有的基线方法，必要且有益的结合了方面提取和基于方面的推荐学习。

    Jun, 2023

  • 域不变特征蒸馏用于跨领域情感分类

    本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

    Aug, 2019

  • 基于联合方面 - 情感主题嵌入的弱监督方面为基础的情感分析

    本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的 <情感，方面> 联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

    Oct, 2020

  • 基于语法指导的领域自适应情感分析

    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。

    Nov, 2022

  • 增强因素的对抗网络在领域自适应中的应用

    使用神经方法进行迁移学习，将几个关键词编码为表示句子相关性的方式来区分源和目标分类任务或方面，并通过共享分类器在编码文档和标签上训练来实现转移。

    Jan, 2017

  • 基于情感知识增强的 Prompt-Tuning 模型在方面级情感分析中的应用

    本文提出了 SentiPrompt 框架，通过在联合框架中注入情感知识并构建一致性和极性判断模板，明确建模方面和观点术语之间的关系，使其优于三元组提取，一对提取和情感分类方面的强基线。

    Sep, 2021

  • 具有选择性对抗学习的可迁移端到端基于方面的情感分析

    本文提出了一种基于选择性对抗学习的无监督领域自适应方法来解决缺乏标注序列数据的情况，能更有效地提取方面和情感，并且实验证明了该方法的有效性。

    Oct, 2019

  • 具备自然语言提示的开放式目标情感分类

    在研究中，提供了基于自然语言提示的方法来解决无标注语料下的商业产品中各方面情感分析问题。在此基础上，还提出了将 ATSC 转化为 NLI 任务的方法，并在 SemEval 2014 的 laptop 领域中实现了较高的性能，同时还可以隐含地检测出未提及的方面。

    Sep, 2021

  • 基于句法的混合提示模型用于少样本多模态情感分析

    本文提出了一种混合模式的近似零样本多模态情感分析方法，结合手工提示和可学习提示，利用注意力机制优化提示编码器，在句子水平和方面水平数据集上取得了显著的性能优势。

    Jun, 2023