iACOS:通过信息丰富和自适应负例推进隐式情感分析
本文介绍一种名为 GEN-SCL-NAT 的模型,通过引入 GEN-SCL 和 GEN-NAT 两种技术来提高 ACOS 四元组抽取的准确性,实验证明该模型在 ACOS 数据集上实现了最优性能,尤其在处理隐含的观点和方面时表现得更好。
Nov, 2022
提出了一种新颖的 Aspect-based Sentiment Analysis 框架,采用多任务学习和双仿射评分器,同时提取方面术语和意见术语,并解析它们之间的情感依赖关系,实验结果表明,相对于现有技术,该方法在 SemEval 基准测试中取得了显著的改进。
Oct, 2020
提出一种面向方面类别情感分析的多示例多标记学习网络(AC-MIMLLN),将句子视为袋子,单词视为实例,并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。
Oct, 2020
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
本文提出了一种基于辅助句子和 BERT-ASC 的方法,来解决在缺乏标注数据的情况下,针对文本中暗含的方面进行情感分析和分类的问题,并在真实数据集上进行了有效性验证和性能评估。
Mar, 2022
本论文提出了一种整合了明确情感增强的 ABSA 方法,通过基于规则的数据对 T5 进行后训练,并采用句法距离加权和不合理对比正则化来生成明确情感,同时利用约束束搜索确保增强句子包含方面术语,在 ABSA 两个最流行的基准测试中,ABSA-ESA 在隐式和明确情绪准确性上优于 SOTA 基线。
Dec, 2023
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
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
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
我们提出了一种简单而新颖的无监督方法来从句子中提取观点词和相应的情感极性,以解决在缺乏标记数据集的低资源领域中泛化能力不足的问题。我们在四个基准数据集上进行的实验评估表明,我们的方法在提取面向方面的观点词以及分配情感极性方面具有强大的性能。另外,我们的工作还为无监督的观点词挖掘方法设立了一个基准。
Apr, 2024