低资源情感分析的迁移学习

Apr, 2023

Transfer Learning for Low-Resource Sentiment Analysis

Razhan Hameed, Sina Ahmadi, Fatemeh Daneshfar

TL;DR本文描述了对库尔德语数据的情感分析数据集的收集和注释，并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。

Abstract

sentiment analysis is the process of identifying and extracting subjective information from text. Despite the advances to employ cross-lingual approaches in an automatic way, the implementation and evaluation of

sentiment analysis cross-lingual approaches dataset collection machine learning data augmentation

发现论文，激发创造

通过转移学习的自然语言处理研究：情感分析实证研究

通过预训练的 BERT 模型实现传递学习来增加情感分类的准确性，虽然结果完全正确，但仍需要进一步研究来验证模型的泛化能力。

Nov, 2023

金融情感分析的迁移学习和 Transformer 架构

金融情感分析中的预训练语言模型和迁移学习原则可有效解决特殊的金融领域情感分析困难，同时考虑到像 COVID 这样疫情的因素，对两组不同数据进行情感分析，并使用较小的训练集对模型进行微调。

Apr, 2024

NLNDE at SemEval-2023 Task 12: 低资源多语言情感分析的自适应预训练和源语言选择

通过利用语言自适应和任务自适应的预训练模型，本文针对非洲语言低资源性情感分析问题的特点，研究了基于预训练的语言模型的迁移学习方法，并发现将预训练模型适应到目标语言和任务上可以显著提高模型表现，选择具有积极转移增益的源语言可以避免干扰，这在多语言和跨语言设置中可以取得更好的结果。

Apr, 2023

低资源语言的鲁棒情感分析：数据增强方法的案例研究（以马拉地语为例）

本研究针对低资源语言马拉地语在情感分析领域存在的不足，提出了四种数据增强技术，包括释义、回译、基于 BERT 的随机词标替换、基于 GPT 的文本生成，这些方法在跨域准确性方面显著提升了性能，并可扩展到其他低资源语言和一般的文本分类任务。

Oct, 2023

针对土耳其文本的目标情感分析数据集和基于 BERT 的模型

本研究旨在利用目标情感分析从给定的文本中提取针对特定目标的情感，我们提供了适用于目标情感分析的标注土耳其数据集，并提出了基于 BERT 的模型，结果表明，与传统情感分析模型相比，所提出的模型具有更好的性能。

May, 2022

基于深度学习的波斯语情感分析

我们引入和实现了一个基于混合深度学习的模型，用于对 Digikala Online 零售网站的客户评论数据进行情感分析，采用了多种深度学习网络和正则化技术作为分类器。最终，我们的混合方法在三个情感类别（积极，消极，中立）上实现了出色的性能，F1 分数达到了 78.3。

Mar, 2024

多语言情感分析：一种基于循环神经网络的有限数据框架

该研究旨在解决情感分析在不同语言中的多种语言依赖性问题，通过使用递归神经网络训练英文评论以建立一个主要用于英语的情感分析模型，并在俄语、西班牙语、土耳其语和荷兰语等其他语言中重复使用此模型来评估情绪，结果表明该方法在多语言情感分析中表现出色。

Jun, 2018

基于表情符号的情感转移学习

该研究使用迁移学习的方法，利用表情符号编码的情感信息来提高各种情感任务的表现，发现单语言学习的源任务具有优势，并在三种条件下分析了转移学习的有效性。

Feb, 2021

利用大量弱监督数据进行多语言情感分类

本文提出了一种新的多语言情感分类方法，使用了大量的弱监督数据训练多层卷积网络，通过在多种语言数据集上进行充分的评估，证明该方法的优异性能，达到了同类研究的最高水平。

Mar, 2017

跨语言情感分析：机器翻译英语前后的评估

本文研究了跨多语言数据集及经过机器翻译的文本中，变压器模型在情感分析任务中的表现，并通过比较这些模型在不同语言环境中的效果，洞察其性能变化对情感分析跨多种语言的潜在影响，同时还探讨了其缺点及未来研究的潜在方向。

May, 2024