实体级情感分析(ELSA):一项探索性任务调查
本文提出了一种基于 DistilBERT 模型完全的方法和一种卷积神经网络的方法,通过分析英语电话交谈转录本来进行实体级情感分析,以期提供商业见解。
Oct, 2022
PerSenT 数据集包括了新闻文章中主要实体的情感分析,并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明,这是一项困难的分类任务。该论文指出,使用 BERT 对文档级表示进行微调是不足够的,并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落,涵盖 3.2k 个独特的实体,是实体情感分析中的一个挑战。
Nov, 2020
利用 transformers-based solutions 在 RuSentNE-23 评估数据上实现了实体级情感分析,并通过使用新技术和多个模型的 ensemble 方法达到最佳结果。
Aug, 2023
针对多方面情感分析问题,本研究提出了一种名为 ATESA-BÆRT 的异构集成学习模型,通过将问题划分为两个子任务(Aspect Term Extraction 和 Aspect Term Sentiment Analysis)并在每个子任务上使用六个基于 transformer 的学习器,使用 argmax 多类别分类方法,解决了多方面问题并且在实验中表现优于当前最先进解决方案。
Jul, 2023
这篇论文研究了新闻文章情感分析的不同点,并且提出了三个需要解决的子任务,同时尝试从新闻文章中分离出正负面情感并挖掘其中的实体,最终得到的实验结果表明,忽略专业领域的词汇能够在新闻观点挖掘的任务中产生更好的效果。
Sep, 2013
本文讨论了大型语言模型在情感分析任务中的有效性,对 13 项不同的任务进行了评估,在简单任务中表现良好,但在涉及更深层次理解和结构化情感信息方面仍有待提高;然而,在资源有限的情况下,大型语言模型表现出色,提供了潜在可能性。该研究提出了一个新的基准评估框架 SentiEval。
May, 2023
本文提出了一种基于跨度的抗偏置情感表征学习框架,通过拟对手学习消除了方面嵌入中的情感偏差,然后通过跨度依赖建模将处理出的意见候选点与方面对齐,突出可解释的意见术语,在五个基准测试中取得了最新的最先进的性能,具有无监督意见提取的能力。
Sep, 2021
本文综述了情感分析在教育领域的四个级别及其在教学决策制定以及对教学质量的提升的作用,描述了使用 AI 方法和情感标注技术对学生反馈进行分析的过程和工具,并讨论了情感分析领域中的挑战和未来趋势。
Feb, 2023
该文系统地综述了目前各种基于方面的情感分析(ABSA)任务及其解决方案,包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表,并强调了近年来对多元素 ABSA 任务研究的重要性。同时,该文总结了预训练语言模型在 ABSA 中的应用,介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术,并讨论了 ABSA 未来发展的方向与挑战。
Mar, 2022
本文介绍了一项新的 NLP 任务,名为 directed sentiment extraction,可用于计算社会科学中分析政治性新闻文本中谁责备或支持谁的情感方向。该方法利用预训练变压器神经网络进行目标分类预测,并结合多种问题回答任务的结果。通过分析美国总统选举和 COVID-19 等两个事件中政治实体之间的正面和负面意见,证明了该方法的实用性,可促进未来 NLP 方法和应用的跨学科研究。
Jun, 2021