ACLMay, 2023

跨领域方面情感分析的双向生成框架

PDF
TL;DR本文提出了一个统一的双向生成框架，基于生成模型，通过域自适应和数据增强来解决跨领域细粒度情感分析问题，并在四个跨领域情感分析任务上达到了最新的最佳结果。
cross-domainaspect-based sentiment analysisgenerative frameworkdomain adaptationdata augmentation
发现论文，激发创造
  • 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

  • 一种简单的基于信息的无监督领域自适应方面情感分析方法

    本文提出了一种基于互信息最大化的简单而有效的技术，用于增强任何类型的模型进行跨领域 ABSA 和 ATE，并分析了该方法。实验结果表明，我们提出的方法在 10 个不同领域对的跨领域 ABSA 平均 Micro-F1 上超过现有技术 4.32％。此外，我们的方法可以扩展到其他序列标记任务，例如命名实体识别（NER）。

    Jan, 2022

  • 面向方面的情感分析的统一生成框架

    本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列，将 ABSA 的各个子任务转换为统一的生成式公式，并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明，我们的框架在四个 ABSA 数据集上实现了实质性的性能收益，并为整个 ABSA 子任务提供了真正的统一端到端解决方案，这可使多个任务受益。

    Jun, 2021

  • 基于方面的情感分析（ABSA）的系统综述：领域、方法与趋势

    该论文通过系统文献综述方法对 Aspect-based Sentiment Analysis (ABSA) 研究进行了研究领域、数据集领域和研究方法的分析，揭示了 ABSA 研究文献中存在的一些系统性问题，并提出了一些建议。

    Nov, 2023

  • 基于对比跨通道数据增强的方面情感分析框架

    通过对比交叉通道数据增强 (C3 DA) 模型，我们可以生成更多的合成样本，并通过这些合成数据的对比学习来提高 ABSA 模型的鲁棒性。

    Apr, 2022

  • 探索基于条件文本生成技术的方面情感分析

    本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务，在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型，获得了最新的最优结果。

    Oct, 2021

  • 零样本基于方面的情感分析

    本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。

    Feb, 2022

  • 基于持续学习的大规模语言模型的提升在于基于方面的情感分析

    提出了一种基于大型语言模型的连续学习（LLM-CL）模型，用于情感分析的方面判断（ABSA），通过设计领域知识解耦模块和领域知识热身策略，实现了目标域和历史领域的能力的同时学习，对 19 个数据集进行的大量实验证明，我们的 LLM-CL 模型获得了最新的最佳性能。

    May, 2024

  • 判别模型在基于方面的情感分析中仍然可以优于生成模型

    该研究评估了最先进的两种分类和生成模型的能力，结果表明，在跨语言，跨域和跨语言域等不同场景下，相较于生成模型，判别模型在大多数情况下仍然是更好的选择。

    Jun, 2022

  • 生成范式中的跨度提取评估：关于面向方面的情感分析的思考

    在生成式语言模型和情感分析的领域中，针对现有的评估方法进行重新审视和重构，强调了针对生成式模型的复杂性，并提出了一份全面的指导方针以确保准确反映生成能力的情感分析评估。

    Apr, 2024