UniSA: 统一情感分析的生成框架
本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列,将 ABSA 的各个子任务转换为统一的生成式公式,并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明,我们的框架在四个 ABSA 数据集上实现了实质性的性能收益,并为整个 ABSA 子任务提供了真正的统一端到端解决方案,这可使多个任务受益。
Jun, 2021
本文提出一种多模态情感知识共享框架(UniMSE),用于统一多模态情感分析(MSA)和对话中情绪识别(ERC)任务以 better capture the difference and consistency between sentiments and emotions by performing modality fusion at the syntactic and semantic levels and introducing contrastive learning between modalities and samples. 通过在四个公共测试数据集上的实验,展示了该方法的有效性并与最先进的方法进行了一致的改进。
Nov, 2022
UnifiedABSA 是一个基于多任务学习的通用 ABSA 框架,它可以统一建模各种任务并利用多任务学习捕捉任务间的依赖关系,实现数据高效性和优于专用模型的性能。
Nov, 2022
本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct,通过在任务描述中添加 NLP 相关任务前缀,相较于基准模型,在所测试的所有 SemEval 子任务中取得了更好的性能,并在 Rest14(ATE 子任务)上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果,并且我们发现,即使存在噪声,前缀增强的提示质量也可以提高模型性能。同时,我们的方法在生物医学领域数据集(ERSA)上也取得了有竞争力的结果。
May, 2024
本文提出了一个统一的框架来解决基于方面的情感分析(ABSA)及其相关子任务,通过在多任务学习模式下使用 T5 模型,通过教学提示进行 fine-tuning,并在多个基准数据集上实现了表现提升(F1 绝对值增加了 6.75),特别是在少样本情况下。
Oct, 2022
本文提出了 SentiPrompt 框架,通过在联合框架中注入情感知识并构建一致性和极性判断模板,明确建模方面和观点术语之间的关系,使其优于三元组提取,一对提取和情感分类方面的强基线。
Sep, 2021
该文系统地综述了目前各种基于方面的情感分析(ABSA)任务及其解决方案,包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表,并强调了近年来对多元素 ABSA 任务研究的重要性。同时,该文总结了预训练语言模型在 ABSA 中的应用,介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术,并讨论了 ABSA 未来发展的方向与挑战。
Mar, 2022
本文提出了一种基于 BERT-MRC 模型的联合训练框架,通过解决 aspect term extraction、opinion term extraction 和 aspect-level sentiment classification 等问题,实现了 Aspect based sentiment analysis,取得了显著的实验效果成果。
Jan, 2021
本研究在进行方面基情感分析 (ABSA) 任务时,提出了一种双编码器的设计方法,既保留了编码器共享的优点,又针对不同的任务进行了差异化改进,经实验证明,该模型在四个基准数据集上表现显著优于之前最先进的模型。
Nov, 2021
本文提出了一种利用句子中有关方面的辅助句子来帮助情感预测的方法,该方法包括使用多方面检测模型进行方面检测,并将预测出的方面与原始句子组合作为情感分析模型的输入,并通过训练情感分类模型进行领域外的基于方面的情感分析。最终,我们对两个基准模型和我们的方法进行对比,发现我们的方法确实有意义。
Jan, 2022