May, 2023

以词片为代价：基于词片和方面增强的目标定向意见单词提取

HTML
PDF
TL;DR本文介绍了一种基于BERT模型的文本编码方法，该方法不再使用依存图卷积网络，而是使用BERT wordpieces来提取主题。此外，将句子-方面对作为输入，以提高对方面表示损失的性能。该方法在基准数据集上实现了最先进的结果，是进一步研究的强有力基线。
发现论文，激发创造
  • 利用BERT进行端到端方面情感分析

    本文探讨了预训练语言模型中上下文化嵌入的建模能力，并使用简单明了的神经基线处理端到端方面的情感分析任务。实验结果表明，即使使用简单的线性分类层，我们基于BERT的架构的性能也能超过最新的方法。此外，我们还使用保留验证数据集来标准化比较研究，这是之前的工作往往忽略的，因此，我们的工作可以作为E2E-ABSA的BERT基准。

    Oct, 2019

  • 基于依存句法知识增强的交互式架构，用于端到端的基于方面的情感分析

    本文提出了一种基于句法依存知识的交互式多任务学习模型，结合依存关系嵌入图卷积网络和简单有效的消息传递机制，以实现对情感分析的方面术语的提取和情感识别任务，并采用BERT作为附加特征提取器，实现了对现有最新技术方法更显著的效果提升。

    Apr, 2020

  • 基于关系图注意力网络的基于方面的情感分析

    本文通过有效的句法信息编码，以新的树形结构对情感识别进行了研究，提出了关系图注意力网络（R-GAT）并在SemEval 2014数据集和Twitter数据集上进行了广泛实验，结果表明我们的方法可以更好地建立方面和意见词之间的联系，并且图注意力网络（GAT）的表现得到了显著提高。

    Apr, 2020

  • 使用深度学习将句法结构纳入目标观点词提取中

    本文提出了一种结合句子的句法信息和词语之间的句法连接的深度学习模型，并引入一种新颖的正则化技术，以提高目标意见词提取任务的性能，该模型在四个基准数据集上取得了最优表现。

    Oct, 2020

  • 从句法学习：利用丰富的句法知识提高逐对方面和观点词提取

    本文提出利用丰富的语法知识来增强成对方面和意见术语提取（PAOTE）任务，并在四个基准数据集上进行了实验，证明我们的模型优于当前的最先进基准线，并同时产生带有语法知识的可解释预测。

    May, 2021

  • 利用位置嵌入进行目标定向情感词提取的经验研究

    本文探讨了在目标导向情感分析中提取意见词的新子任务TOWE，并使用基于预训练字向量或语言模型的各种文本编码器来研究每个组件的实际贡献，同时使用图卷积网络来增强单词表示。实验结果表明，BiLSTM-based 模型可以有效地将位置信息编码到单词表示中，而仅使用 GCN 只能获得微小的增益。令人感兴趣的是，我们的简单方法胜过了几种复杂的最先进的神经结构。

    Sep, 2021

  • 更近一步：学习如何将方面与观点联系起来

    本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外, 对标准SemEval Restaurant14数据集的详细分析表明，方面词和观点词之间的平均距离至少缩短了19%。

    Sep, 2021

  • 针对目标的观点词提取的整空间模型训练

    研究了目标导向观点词提取（TOWE）任务中的样本选择偏差问题，并验证了在完整数据集上训练TOWE模型将显着提高模型性能，并且仅评估第一类型实例的TOWE模型将高估模型性能。

    Apr, 2022

  • 基于观点树解析的方面情感分析

    本文提出了一种基于意见树解析的模型，通过使用新的无上下文意见语法规范化意见树结构并采用神经图表意见树解析器，可以更全面更完整地显式地呈现方面级情感结构并发现情感元素之间的相关性，比现有模型更快且更优秀。

    Jun, 2023

  • 使用图注意力网络的方面和意见词提取

    本研究探讨了图注意力网络在提取方面和意见术语方面的能力。我们将方面和意见术语提取看作是一种类似于命名实体识别的标记级分类任务，并使用输入查询的依赖树作为图注意力网络中的附加特征，结合了标记和词性特征。实验证明依赖结构是一个强大的特征，在CRF层的存在下显著提高了性能，并在SemEval 2014、2015和2016的常用数据集上生成了最佳结果。除了CRF层外，我们还尝试了BiLSTM和Transformer等额外层次。我们还表明，在同一查询中存在多个方面或情感的情况下，我们的方法也能很好地运行，无需根据单个方面修改依赖树，这与原始的情感分类应用不同。

    Apr, 2024