Oct, 2023

科技论文中的自动方面提取

PDF
TL;DR我们的研究旨在创建一个用于从任何领域的俄语科技文本中自动提取方面的工具。本文提供了一份跨领域的俄文科技文本数据集，标注了任务、贡献、方法和结论等方面，并基于经过细调的多语言 BERT 模型提出了一个基准算法用于方面提取。我们展示了不同领域中方面表征存在一些差异，但即使我们的模型仅在有限数量的科技领域进行了训练，它仍能够推广到新的领域，这一点已通过跨领域实验证明。代码和数据集可在 https://github.com/anna-marshalova/automatic-aspect-extraction-from-scientific-texts 上获得。
发现论文，激发创造
  • 使用方面抽取方法生成评论摘要和用户配置文件

    本研究评估了一个新提出的神经模型在提取评论方面的可行性，结果表明该模型能够从用户评论中准确识别和提取各个方面并生成用户偏好的基于方面的概要。

    Apr, 2018

  • 使用知识图谱增强的 Transformer 进行跨领域方面提取

    本文介绍了一种自动构建领域特定知识图谱的方法，并通过将其注入到 Transformer 模型中以识别 aspect terms，提高了跨域情感分析中的性能表现。

    Oct, 2022

  • 令人尴尬的简单无监督方面提取

    本文提出了一种简单而有效的方法，利用词向量和 POS 标注器实现情感分析中的方面识别，引入了一种基于 RBF 内核的新型单头关注机制 Contrastive Attention (CAt)，避免使用句法特征和复杂神经模型，成功证明了在当前基准数据集中不需要使用这样的复杂模型。

    Apr, 2020

  • 科技评论的基于方面的情感分析

    利用基于方面的情感分析从科学评论中提取有用信息可以更好地判断接受 / 拒绝决策，并且发现审稿人之间的不一致程度可能与主席的意见不一致有关。

    Jun, 2020

  • 自动检测方面的方面情感分析（Auto-ABSA）

    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

  • 研究论文的基于方面的文档相似度

    本研究介绍了一种基于方面信息的相似度扩展方法，使用 Transformer 模型和 LSTM 基线评估了 172,073 份论文的相似度，结果表明 SciBERT 是最有效的系统，这种基于方面信息的相似度扩展方法可以为文献推荐系统提供更高的粒度和准确度。

    Oct, 2020

  • SemEval-2016 任务 5 中的 INSIGHT-1：多语言基于方面的情感分析中的深度学习

    本论文介绍了我们在 SemEval 2016 任务 5 中使用深度学习的多语言基于方面的情感分析的方法。我们使用卷积神经网络（CNN）对方面抽取和基于方面的情感分析进行处理。我们将方面提取视为一个多标签分类问题，输出一个阈值参数化的方面概率。为了确定对方面的情感态度，我们使用局限系统（英语不受限制）对语句进行分析，其在所有语言和领域中均取得了竞争性的结果，对于方面类别检测（插槽 1）和情感极性（插槽 3）分别在 11 种语言域对中的 5 个和 7 个中排名第一或第二，从而证明深度学习为基于方面和多语言的情感分析方法的可行性。

    Sep, 2016

  • WikiAsp：一个用于多领域方面的摘要的数据集

    提出了一个新的多领域、开放领域的基于方面的摘要数据集 “WikiAsp”，该数据集通过使用 20 个不同领域的维基百科文章并使用每篇文章的标题和边界作为方面标注的代理。研究结果表明现有的摘要模型在此情况下面临的关键挑战，具体包括引用来源的代词处理和时间敏感事件的一致解释。

    Nov, 2020

  • 软提示引导的跨领域情感分析联合学习

    本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。

    Mar, 2023

  • ASPECTNEWS: 新闻文档的面向方面的摘要

    本文介绍了一个数据集 AspectNews，并比较了不同训练方案的效果，研究表明最终方法可以生成更好的聚焦摘要，相比通用摘要系统或关键字匹配更为敏感。

    Oct, 2021