May, 2023

领域扩充的 ASTE：重新思考情感三元组抽取中的泛化

PDF
TL;DR这篇文章提出了一种针对领域扩展的 Aspect Sentiment Triplet Extraction（ASTE）基准，并对现有方法进行了分析，结果表明生成模型在领域泛化方面具有强大的潜力。
aspect sentiment triplet extractionaspect-based sentiment analysisdomain generalizationgenerative methodsdata annotation
发现论文，激发创造
  • 一种用于方面情感三元组提取的配对增强方法

    该研究提出了一种关于 Aspect Sentiment Triplet Extraction（ASTE）的配对增强方法，通过引入对比学习，在训练阶段向三元组提取模型注入配对知识，以解决当前模型中存在的复杂语言和单个句子中存在多个方面项和意见项的问题。实验结果表明，该方法在四个 ASTE 数据集上的表现良好，并验证了对比学习相对于其他配对增强方法的优势。

    Jun, 2023

  • 学习跨度级别的交互以进行方面情感三元组提取

    本研究提出了一种基于句子结构的方法，对 ABSA 中的 Aspect Sentiment Triplet Extraction（ASTE）实现了更好的情感一致性，同时为 Aspect Term Extraction（ATE）和 Opinion Term Extraction（OTE）任务提供了高效的计算策略。

    Jul, 2021

  • 用于方面情感三元组提取的语义增强双编码器

    本文提出了一个框架，该框架利用了基本的编码器（主要基于 BERT）和一个特殊的编码器，该编码器由 Bi-LSTM 网络和图卷积网络 (GCN) 组成，以捕获不同层次的语义信息并建模评论的依赖关系，通过融合两种编码器的语义，实现了多角度的交互，从而提高了方面 - 意见关系的全面理解， 并在基准数据集上进行了有效的实验验证。

    Jun, 2023

  • 在真实环境下评估 ASTE 模型：一个多领域多样化方面情感三元组抽取数据集

    本文介绍了一个命名为 DMASTE 的数据集，该数据集被手动注释以更好地适应真实世界的情况，并包括比现有数据集更多的方面类型和领域。 我们对 DMASTE 进行了大量实验，结果表明 DMASTE 是一个更具挑战性的 ASTE 数据集。

    May, 2023

  • 重新思考 ASTE：一种最简标签方案与对比学习

    该研究提出了一种新的标签方案，并采用对比学习方法来解决细粒度情感分析中的困难，表现出与现有技术相媲美或优越的性能，具有更紧凑的设计和较低的计算开销，甚至在大语言模型时代，显示出比 GPT 3.5 和 GPT 4 在少样本学习场景下更为有效的方法。此研究还为大语言模型范式中 ASTE 技术的推进提供了宝贵见解。

    Mar, 2024

  • 语义和句法增强的方面情感三元组抽取

    本文提出了一种利用语义和语法关系的 Semantical and Syntactically Enhanced aspect Sentiment triplet Extraction (model S3E2)，采用图 - 序列交互建模和 GRU 进行情感分析，能够有效地在四个基准数据集上提取出情感三元组信息。

    Jun, 2021

  • 面向方面情感三元组提取的跨度双向网络

    本文提出了一种基于 span-level 的双向网络框架，以更全面地从评论语句中提取三元组。但随着所有可能的跨度数量的显著增加，从中有效地提取三元组成分至关重要和具有挑战性，并且采纳 KL 散度扩展的类似跨度分离代价来促进区分正确跨度的下游任务，并采用推理策略根据其置信度分数从结果中删除冲突的三元组。

    Apr, 2022

  • 面向方面情感三元组提取的位置感知标记

    本文提出了一种新型的定位感知标注方案，旨在通过序列标注方法达到同时提取目标实体、与其相关的情感和原因的任务，实验证明了这种方法可以改善现有方法的性能。

    Oct, 2020

  • 先目标和意见，再极性：增强方面情感三元组提取中的目标意见相关性

    提出一种两阶段框架用于增强目标和观点之间的相关性，通过序列标注提取目标和观点，在输入句子中添加一组名为 “可感知对” 的人工标记，以获取更接近相关的目标 - 观点对表示，通过限制标记的注意范围来减少三元组之间的负面干扰。

    Feb, 2021

  • FOAL：面向跨域方面情感三元组抽取的细粒度对比学习

    在跨领域情感三元组提取（ASTE）中，我们提出了一种名为 Fine-grained cOntrAstive Learning（FOAL）的方法，通过减少领域之间的差异并保留每个类别的可辨识性，有效地在领域之间转移知识并准确提取情感三元组，实验结果显示，相较于现有基线方法，FOAL 在六个领域转移对上取得了 6% 的性能提升，并显著降低了领域差异。

    Nov, 2023