Jun, 2023

基于非反事实扩充的稳健性方面情感分析

PDF
TL;DR本文提出了一种使用嘈杂但代价效益高的数据增强模型来提高 NLP 模型在情感分析任务中的鲁棒性的方法，并通过实验证明这种方法对标准和鲁棒性特定的数据集都有显著的改进，同时在 ABSA 鲁棒性基准测试中创造了新的 state-of-the-art，并在不同领域中具有很好的迁移能力。
发现论文，激发创造
  • 关于方面情感分析的稳健性：对模型、数据和训练的重新思考

    本研究针对情感分析在实际应用中的可靠性进行了探究，通过加强当前最佳的句法感知模型，并基于丰富的伪数据进行敌对训练，进一步提高了模型的鲁棒性。实验结果表明，所提出的方法比现有的基线模型的鲁棒性性能更好，同时合成语料库作为额外数据能够进一步提高测试准确性。

    Apr, 2023

  • 一种新颖的关于方面的情感分析的反事实方法

    提出一种采用反事实数据增强方法，针对情感分析任务中球面情感倾向分析的问题，该方法利用集成梯度计算和蒙版技术对情感表达式进行反转，并通过一个 T5 预训练语言模型进行预测，在三个开源数据集上获得更好的结果。

    Jun, 2023

  • 探究自动生成的反事实数据在情感分析中的有效性

    提出了一种自动产生对立数据的方法，基于此数据增广训练集可以有效提高 NLP 模型的性能。

    Jun, 2021

  • 带有明确情感加强的基于方面的情感分析

    本论文提出了一种整合了明确情感增强的 ABSA 方法，通过基于规则的数据对 T5 进行后训练，并采用句法距离加权和不合理对比正则化来生成明确情感，同时利用约束束搜索确保增强句子包含方面术语，在 ABSA 两个最流行的基准测试中，ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。

    Dec, 2023

  • 基于大型语言模型的方面情感分析的迭代数据增强

    提出了一个名为 IterD 的系统化迭代数据增强框架来提高 ABSA（Aspect-based Sentiment Analysis）的性能，通过利用大型语言模型迭代地产生更加流畅和多样的合成标签数据，从而在 4 个广泛使用的 ABSA 基准测试中带来了稳定且显著的性能提升，并且由 IterD 生成的合成数据可以达到与人工标注数据相媲美甚至更好的性能。

    Jun, 2024

  • 探究基于方面的情感分析中的方面鲁棒性：美味汉堡，湿透薯条

    本文提出了一种简单而有效的方法来完善现有的 ABSA 测试集，生成了一个名为 ARTS 的测试集，以全面探究 ABSA 模型的鲁棒性。研究发现，9 种 ABSA 模型的准确率最多下降了 69.73%，然而，采用对抗训练可以使模型在 ARTS 上的表现提高达 32.85%。

    Sep, 2020

  • DINER：多变量因果推断在基于方面的情感分析中的去偏差

    本文提出了一种基于多变量因果推断的新框架，用于消除神经网络模型在情感分析中学习不准确关联以及提高对各种输入变换的稳健性。该框架通过应用不同的因果干预方法来解决不同类型的偏见问题，并在广泛的实验中证明了其相对于其他基准方法在两个常用测试数据集上的有效性。

    Mar, 2024

  • 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

  • 反事实数据增强改进抽象摘要的真实性

    该文章介绍了一种基于对抗数据增广的方法，用于提高 Abstractive summarization system 的 factual correctness, 相关方法包括将同一或不同类别的实体或名词的 WordNet hypernyms 进行替换，实验证明，使用我们的方法对 CNN/Dailymail 和 XSum 等数据集进行训练，可将 factual correctness 平均提高约 2.5 个点。

    May, 2022

  • 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