ACLMay, 2023

BanglaBook：基于图书评论的大规模孟加拉情感分析数据集

PDF
TL;DR本研究旨在解决对于孟加拉语资源与跨领域适应性缺乏研究的限制，因此提出一个大规模的孟加拉语电子书评论数据集， 使用各种机器学习模型分析数据，发现预训练模型比手工特征模型具有更高的性能，同时进行错误分析以提供关于在孟加拉语等欠资源语言中常见的分类错误的见解。
consumer sentimentsentiment analysisbangla languagemachine learning modelserror analysis
发现论文，激发创造
  • RSM-NLP 在 BLP-2023 任务 2 中：使用加权和多数投票的精调 Transformer 进行孟加拉情感分析

    本论文描述了我们在 BLP 研讨会的共享任务 2 中对孟加拉社交媒体帖子进行情感分析的方法，我们通过使用多语言 BERT 模型进行实验和微调，并使用多数投票和加权集成模型，取得了优于基准模型的成绩，分数为 0.711，排名共享任务排行榜的第 10 位。

    Oct, 2023

  • LABR: 大规模阿拉伯语情感分析基准测试

    介绍 LABR 数据集，这是迄今为止最大的用于阿拉伯语情感分析的数据集，包括超过 63,000 本书的评论，探讨数据集的性质和使用该数据集进行情感倾向和评分分类的任务。此外，提供数据集的标准分割，用于训练，验证和测试情感倾向和评分分类等。

    Nov, 2014

  • 使用机器和深度学习算法对孟加拉美食评论进行情感极性分析

    利用 1484 个在线评论的数据集，作者使用深度学习和机器学习技术中的逻辑回归算法，确定了预测食物质量的最准确方法。该研究提供了有价值的洞察力，帮助用户决定是否订购食物。

    May, 2024

  • BanglaNLP 参与 BLP-2023 任务 2：对孟加拉社交媒体帖子的情感分析进行不同 Transformer 模型的基准测试

    这篇论文使用基于 Transformer 的架构进行情感分析，以解决 Bangla 这种低资源语言的问题，并通过细调模型在推特数据上获得最佳性能。同时，还进行了详细的错误分析。

    Oct, 2023

  • 乌尔都语音与文本情感分析器

    本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

    Jul, 2022

  • nlpBDpatriots 在 BLP-2023 任务 2 中的应用：孟加拉情感分析的迁移学习方法

    本文讨论了 nlpBDpatriots 参加首届与 EMNLP 合作举办的 Bangla 语言处理（BLP）研讨会上共享任务的社交媒体帖子情感分析。我们使用孟加拉语数据集，该数据集由共享任务组织者提供，并注有积极、中性和消极标签，旨在确定社交媒体内容的极性。我们最好的系统是数据增强的迁移学习方法，其 micro F1 分数达到 0.71。在参加比赛的 30 支球队中，我们的最好系统排名第 12 位。

    Nov, 2023

  • SentiGOLD: 一个大型孟加拉黄金标准多域情感分析数据集及其评估

    SentiGOLD 是一个 70,000 个样本的孟加拉跨领域情感分析数据集，包含 30 个领域和 5 个情感类别，是一个遵循国家语言委员会语言约定的标准语料库。

    Jun, 2023

  • MultiBooked: 基于方面级情感分类的巴斯克语和加泰罗尼亚语酒店评论语料库

    本研究针对资源缺乏的巴斯克语和加泰罗尼亚语，提供了两个数据集，并提供了高质量的标注和基准，希望对研究这些语言的学者有所帮助。

    Mar, 2018

  • LLM 对零样本和少样本提示的比较研究：孟加拉情感分析的微调模型

    本研究通过 33,605 条孟加拉文新闻推文和 Facebook 评论创建了一个庞大的手动注释数据集，并对 Flan-T5、GPT-4 和 Bloomz 等多种语言模型进行了零指导和少量指导的上下文学习，与精细调优模型进行了比较分析。研究结果表明，在零指导和少量指导的场景下，单语言变换器模型始终优于其他模型。为了促进进一步的研究探索，我们打算向更广泛的研究社区公开提供这个数据集和我们的研究工具。

    Aug, 2023

  • 孟加拉语仇恨言论检测：数据集及其基准评估

    本文针对社交媒体上孟加拉语仇恨言论检测的挑战，通过众包标注和专家验证构建了一个包含 30,000 条用户评论的数据集，并利用多个深度学习模型对其进行了实验。结果表明将 SVM 用于该数据集能够获得 87.5% 的准确率，该数据集将推动孟加拉语仇恨言论检测领域的未来研究机会。

    Dec, 2020