Nov, 2023

基于局部和全局特征的方面情感分类的联合学习

PDF
TL;DR该研究论文提出了一种基于局部和全局特征的模型，通过设计局部编码器和双级图注意网络，有效地对面向方面的情感分类进行建模，并在 SemEval 2014 和 Twitter 数据集上取得了最先进的性能。
aspect-based sentiment classificationattention-based modelsgraph-based modelssyntactic dependency treesemeval 2014
发现论文，激发创造
  • 面向方面级别情感分析的渐进式自监督注意力学习

    本文提出了一种渐进式自监督注意力学习方法，用于神经网络的方面级情感分类模型，该方法自动从训练语料库中挖掘有用的注意力监督信息来改善注意力机制，实验结果表明，该方法可以提高注意力机制，相对于现有的两个状态 - of-the-art 神经方面级情感分类模型具有明显的优越性。

    Jun, 2019

  • 利用图卷积网络建模情感依赖性进行方面级情感分类

    本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

    Jun, 2019

  • 一种面向情感分类器的失效及自适应重新加权解决方案

    本文提出了一种基于深度学习和自适应重新加权的方案来解决情感分类中的问题，实验证明该方案可以显著提高模型的效果。

    Nov, 2019

  • 无监督意见抽取消除方面级情感分类的情感偏差

    本文提出了一种基于跨度的抗偏置情感表征学习框架，通过拟对手学习消除了方面嵌入中的情感偏差，然后通过跨度依赖建模将处理出的意见候选点与方面对齐，突出可解释的意见术语，在五个基准测试中取得了最新的最先进的性能，具有无监督意见提取的能力。

    Sep, 2021

  • 利用位置偏差进行鲁棒的方面情感分类

    本文针对当前情感分类模型面对领域迁移和对抗样本时的鲁棒性问题，提出了两种通过引入位置偏置来降低模型误判概率以提升分类效果的机制：加权偏置和丢弃偏置，在跨领域和对抗数据集上的实验证明，这种机制明显地提高了模型的鲁棒性和效果。

    May, 2021

  • 基于特定方面图卷积网络的方面情感分类

    通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

    Sep, 2019

  • 面向方面级情感分类的注意力转移网络

    该研究提出了一种名为 ATN 的新型注意力传输网络，它可以成功地从资源丰富的基于文档级情感分类数据集中利用注意力知识来提高面向方面的情感分类任务的注意力能力，并在两个 ASC 基准数据集上进行实验，证明了其优于现有技术的有效性。

    Oct, 2020

  • 利用图注意力网络进行句法成分感知的方面 - 类别情感分析

    提出了一种基于 Sentence Constituent-Aware Network (SCAN) 的方案，采用图注意力模块和交互式损失函数，用于解决 Aspect category sentiment analysis (ACSA) 的问题，包括情感极性和方面类别检测，通过实验在五个公共数据集上验证了该方案的可行性。

    Oct, 2020

  • 一个共享情感预测层的方面 - 类别情感分析联合模型

    该论文提出了一种新的联合模型，其中包含共享情感预测层，用于解决 Aspect-category sentiment analysis 中一些方面类别存在数据不足问题并展示了该模型在 SemEval-2016 数据集上的有效性。

    Aug, 2019

  • 门控图卷积网络和基于语法规则的调控改进方面情感分析

    本文提出了一种基于图的深度学习模型，该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量，并在模型中注入从依赖树中获取的每个单词的重要性得分，从而改善方面级情感分析的表征向量，实现了三个基准数据集上的最新成果。

    Oct, 2020