ACLAug, 2023

利用潜在语义树解释情感组合

PDF
TL;DR情感分析的关键，情感组合，通过对其包含的子元素的分类和对它们进行的规则操作进行分类。我们提出了语义树，一种能够以一种原则性方式解释情感组合的新树形式。语义树是上下文无关语法 (CFG) 的派生物，描述了不同语义角色的特定组合规则，这些规则是根据以前的语言学结论进行精心设计的。然而，语义树是一个潜在变量，因为常规数据集中没有它的注释。因此，在我们的方法中，通过内部算法将其边缘化并学习以优化分类性能。定量和定性结果表明，我们的方法在常规和领域适应分类设置中不仅实现了与基准方法更好或具有竞争力的结果，而且还生成了可行的树解释。
sentiment analysissentiment compositionsemantic treecontext-free grammarclassification performance
发现论文，激发创造
  • 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

  • 视觉语境下的语义组合模型

    本文探讨了视觉图像和语言语义的组合结构问题，并提出了一些方法，如 WinogroundVQA, Syntactic Neural Module Distillation, Causal Tracing for Image Captioning Models,Syntactic MeanPool 和 Cross-modal Attention Congruence Regularization，以提高这种组合结构的能力。

    May, 2023

  • 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

  • 情感中的非组合性：新数据与分析

    本研究通过评估非组合性评分的短语，构建了一个新的资源 NonCompSST，并使用该资源对情感分析的计算模型进行了评估。

    Oct, 2023

  • 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

  • 评估句向量表示中的组成

    文章介绍了一种可以精确和控制地针对句向量中的组合含义信息的方法，利用一个专门的句子生成系统，创建遵循特定句法、语义和词汇约束条件的带注释的大型句子集。实验表明，这种方法能够从多种现有的句子表示模型中提取有用的信息，有助于理解这些系统对句子信息的捕获能力。

    Sep, 2018

  • 用于改进情感分析的结构化注意力神经网络

    本文提出了一种基于树形结构的注意力神经网络模型，用于情感分类问题。该模型使用自下向上和自上而下的信息传播结合语法树中节点周围的结构信息。模型在构建句法树时，利用结构注意力识别最显著的表示。实验结果表明，该模型在斯坦福情感树库数据集上实现了最先进的性能表现。

    Jan, 2017

  • LS-Tree: 数据为语言时的模型解释

    该研究通过分析语法结构提出了基于最小二乘法的重要性评分方法，以实现对训练的分类模型进行解释，并建立了这些重要性评分的公理化特征，发展了一种合理的检测和量化句子中单词之间交互的方法，证明了该方法在多种语言模型的可解释性和诊断中的作用。

    Feb, 2019

  • 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

  • SentiBERT：一种可迁移的基于 Transformer 的组合情感语义架构

    本文介绍一种使用二进制组合成分句法树的上下文化表示法的改进型 BERT 模型 - SentiBERT，可有效地捕捉语义组合的情感语义。使用细致的实验证明，SentiBERT 在短语级情感分类方面具有竞争力，并且其他情感分类任务和相关任务均可使用从 SST 短语级注释中学习的情感组成部分进行转化；此外，还进行了消融研究和设计可视化方法以了解 SentiBERT 的性能，结果表明 SentiBERT 比基线模型更擅长捕捉否定和对比关系，模拟情感组成语义的建模。

    May, 2020