Jun, 2023

基于观点树解析的方面情感分析

PDF
TL;DR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。
sentiment elementsaspect-based sentiment analysisopinion tree parsing modelcontext-free opinion grammarneural chart-based opinion tree parser
发现论文，激发创造
  • 情感分类的统计分析框架

    本文提出了一个基于统计语法分析的句子级情感分类框架，在此我们发展了一个统计分析器来直接分析句子的情感结构，并在上下文自由语法的基础上形成情感规则。我们训练情感分析器 s.parser，从用户评级的大量评论句子中直接获得情感极性标签，利用情感树得到情感强度和情感极性的极性模型和最佳情感树的排名模型，结果表明该方法显著优于基准情感分类方法。

    Jan, 2014

  • 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

  • 基于方面特定观点跨度的方面情感分析

    本文提出了一种基于多个线性链 CRFs 的详细有效的结构化关注模型，通过聚合多个线性链 CRFs，该设计允许模型提取特定方面的意见跨度，然后利用提取的意见特征评估情感极性，实验证明该模型是有效的。

    Oct, 2020

  • 基于层次模型的方面情感分析

    通过建模评论中的句子之间的相互依赖关系，我们提出了一种基于分层双向 LSTM 的情感分析方法，在五个多语种、多领域的数据集上取得了竞争状态下最先进结果，并优于其它两种基线模型，而且不需要使用手工特征或外部资源。

    Sep, 2016

  • 基于递归神经条件随机场的方面情感分析

    提出一种新的联合模型，将递归神经网络和条件随机场集成到一个统一的框架中，以明确的方式同时提取方面和观点术语，并展示其在信息提取性能上的优越性。

    Mar, 2016

  • 双向依存树表示法改进方面术语提取

    本篇文章提出了一种深度学习模型，用于从给定句子中提取方面术语。 该模型基于双向依赖树，同时利用自下而上和自上而下的传播方法获得了更全面的信息，并且在 SemEval 数据集上优于现有的基准模型。

    May, 2018

  • 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

  • 基于依存关系图解析的结构化情感分析

    本文提出了一种新的统一框架，将结构化情感分析问题作为依存关系图解析，其中节点是情感持有者、目标和表达式，弧是它们之间的关系。在四种语言的五个数据集上进行实验，结果显示这种方法比现有技术有更好的表现，并通过依存语法信息改进情感图产生了更好的结果。

    May, 2021

  • 潜在变量情感语法

    本文研究了使用神经模型对组分树进行情感分类。在研究中探索了两种深度情感表达的形式，分别是通过潜变量和高斯混合向量来捕捉情感子类型表达的形式。实验表明，使用我们的方法，结合 ELMo 嵌入，可以在 Stanford 情感树库 (SST) 上取得最佳结果。

    Jun, 2019

  • 情感图的直接解析

    本文研究如何应用基于图的语义解析器直接从文本预测情感图来完成结构化情感分析的任务，取得了在 5 个标准基准测试集中 4 个的最先进结果，并公开了源代码、模型和预测结果。

    Mar, 2022