EMNLPNov, 2023

无监督方面类别检测的自我增强多任务框架

PDF
TL;DR我们的工作致力于使用一小组种子词进行无监督的方面类别检测。我们提出了一个简单的框架，通过自动增强种子词的质量和选择高质量的句子进行训练，来缓解初始种子词质量和噪声对模型性能的影响。同时，我们对方面类别检测、方面术语提取和方面术语极性联合进行训练，以进一步提高性能。大量实验证明我们的框架在标准数据集上超过了强基准结果。
发现论文，激发创造
  • 利用少量关键词通过弱监督联合训练进行细粒度方面检测

    本篇论文的主要研究是关于使用弱监督训练出纯文本的粒度级别用于用户生成的评论的细粒度方面分类器，并提出了基于学生 - 教师模型和迭代协同训练的方法来改进模型表现，对商品评论和餐厅评论的六个数据集，该方法模型的绝对 f1 值平均提升了 14.1 个百分点。

    Sep, 2019

  • 一个简单实用的自监督对比学习框架用于方面检测

    该研究提出了一种自我监督对比学习框架和基于注意力机制、新颖平滑自注意力（SSA）模块的 UAD 任务模型，用于学习更好的方面和评论片段表示，同时引入了高分辨率选择映射 (HRSMap) 和知识蒸馏技术，通过准确地映射模型发现的方面来提高方面检测的性能。实验结果表明，该方法在公开数据集上表现优于多个最近的无监督和弱监督方法。

    Sep, 2020

  • 用于类别特定方面和观点术语共同提取的多任务记忆网络

    提出细化问题 -- 分类特定方面和意见词提取，并使用多任务注意力模型解决数据稀疏性问题，在三个基准数据集上展示出其最先进的性能。

    Feb, 2017

  • 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

  • 基于主题 - 注意力网络的方面类别检测

    通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

    Jan, 2019

  • AX-MABSA：一种用于极弱监督的多标签基于方面的情感分析框架

    本文提出了一种极弱监督的多标签方面类别情感分析框架，并提出了一种自动词语选择技术来选择这些种子类别和情感词，利用无监督语言模型后训练来提高性能，在四个基准数据集上的实验证明了该方法显著优于其他弱监督基线。

    Nov, 2022

  • 将方面类别情感分析作为一个文本生成任务来解决

    本文提出了一种通过将 ACSA 任务转化为自然语言生成任务，使得预训练语言模型可以更直接地应用于该任务设置，从而提高了在各种评估任务中的准确性，特别是在几次学习和零次学习设置下具有显著的优势。

    Oct, 2021

  • 基于联合方面 - 情感主题嵌入的弱监督方面为基础的情感分析

    本文提出了一种基于弱监督的方法进行情感分析，通过词嵌入空间下的 <情感，方面> 联合主题嵌入来实现预测，通过预训练分类器和自我训练来利用词级别的判别信息。

    Oct, 2020

  • 利用原型网络结合句子级加权和标签增强进行少样本多标签方面类别检测

    本研究提出了一种用于多标签方面类别检测的原型网络，并引入了支持集的注意力机制，同时利用标签信息对噪声进行调节。实验证明，我们的方法在四种不同的情境下优于所有基准线。

    Sep, 2023

  • 一种具有类别名称嵌入的多任务增量学习框架，用于方面 - 类别情感分析

    本文介绍了一种面向 (T) ACSA 任务的分类名称嵌入网络 (CNE-Net)，通过共享编码器和解码器等方式，使得多任务学习在增量学习上变得可行，同时提出了一种 (T) ACSA 增量学习数据集，与其他基线相比，实现了最佳性能表现。

    Oct, 2020