Sep, 2023

会话级别的方面情感四元分析的动态多尺度上下文聚合

PDF
TL;DR这篇论文提出了一种新颖的动态多尺度上下文聚合网络（DMCA）来解决对话中的目标 - 方面 - 意见 - 情感的提取过程中遇到的挑战。实验结果表明，DMCA 模型明显优于基线模型，达到了最先进的性能。
conversational aspect-based sentiment quadruple analysisdialogueconversational contextinter-utterance dependenciesdynamic multi-scale context aggregation network
发现论文，激发创造
  • DiaASQ：一项对话基于方面的情感四元组分析基准测试

    本文介绍了一项新任务 DiaASQ，旨在探索对话中目标 - 方面 - 意见 - 情感的细粒度情感分析，并提出了一个神经模型来进行四元组预测，以更好地跨话语提取四元组，以桥接细粒度情感分析和对话意见挖掘。

    Nov, 2022

  • 三元图神经网络：引入句法和语义信息进行会话级方面四元情感分析

    对话式基于方面的情感分析（DiaASQ）旨在从给定的对话中检测目标、方面、意见、情感极性四元组。本文引入了 Triple GNNs 网络来增强 DiaASQ，并通过使用 Graph Convolutional Network（GCN）对话模型和 Dual Graph Attention Network（DualGATs）构建对话之间的交互。实验结果表明，我们的模型明显优于最先进的基准模型。

    Mar, 2024

  • 基于上下文关注机制的口语会话问答知识转移

    该研究提出了一种名为 CADNet 的方法，该方法使用上下文化注意力分层蒸馏技术，从而在 SCQA 任务中更好地抵御 ASR 噪声，最终在 Spoken-CoQA 数据集上实现了显著性能提升。

    Oct, 2020

  • 基于深度上下文和关系感知的方面情感分析学习

    本文提出了一种深度上下文感知关系网络（DCRAN）方法，基于两个模块（即方面和观点传播、显式自监督策略），允许任务之间的交互关系和深度上下文信息，并设计了一些新的对于 ABSA 有很好应用的自监督策略，实验表明，在三种广泛使用的基准测试中，DCRAN 的性能明显优于以往的最先进方法。

    Jun, 2021

  • 端到端口语对话问答：任务，数据集和模型

    提出了一种新的口语会话问答任务（SCQA），旨在使系统能够模拟复杂的对话流程，以便处理音频记录中的对话式问题，并探索从不同模态提供更多线索，通过 DDNet 方法有效地摄取跨模态信息以实现语音和语言模态的细粒度表示，并通过双向关注机制鼓励更好的音频和文本之间的对齐，以简化知识转移过程。通过 Spoken-CoQA 数据集，证明了跨模态信息融合的必要性，同时证明了提出的方法在口语会话问答任务中具有卓越的性能表现。

    Apr, 2022

  • SDNet: 基于上下文语境的注意力深度网络，用于问答对话

    本文提出了一种名为 SDNet 的上下文注意力深度神经网络模型，通过整合上下文理解对话场景并从文本中提取信息，同时引入最新的 BERT 模型，提高了对话问答的精度，表现优于之前的最佳模型并创造了最好的 CoQA 排行榜结果。

    Dec, 2018

  • 多模态基于能量的方面情感分析新模型机制

    多模态情感分析研究中，提出了一种称为 DQPSA 的新框架，其包含了 Prompt 作为 Dual Query（PDQ）模块和基于能量的 Pairwise Expert（EPE）模块，通过提取 Prompt 感知的视觉信息、加强视觉信息与分析目标之间的相关性以及模型边界配对，实现了在三个广泛使用的基准测试中超过以往方法并达到了最新的最佳性能。

    Dec, 2023

  • 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

  • 面向细粒度情感分析的实体 - 方面 - 观点 - 情感四元组抽取

    我们提出了一种新的任务，称为实体 - 方面 - 意见 - 情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在 ABSA 任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器 - 意见框架可以生成令人满意的 EASQE 结果，并且也可以应用于其他 ABSA 任务，显著优于现有的方法。

    Nov, 2023

  • CAD - 动态音视频问题回答的上下文多模态对齐

    在这篇论文中，我们提出了一种新的上下文多模态对齐（CAD）网络，通过引入无参数随机上下文块来确保空间级别上的稳健音频和视觉对齐，提出了一种用于动态音频和视觉对齐的预训练技术，以及引入了交叉注意机制来平衡语义级别上的音频和视觉信息。在 MUSIC-AVQA 数据集上，该 CAD 网络相对于现有方法平均性能提高了 9.4％。我们还证明了将我们对 AVQA 的建议添加到现有方法中可以提高其性能，而不需要额外的复杂性要求。

    Oct, 2023