Nov, 2023

FOAL：面向跨域方面情感三元组抽取的细粒度对比学习

PDF
TL;DR在跨领域情感三元组提取（ASTE）中，我们提出了一种名为 Fine-grained cOntrAstive Learning（FOAL）的方法，通过减少领域之间的差异并保留每个类别的可辨识性，有效地在领域之间转移知识并准确提取情感三元组，实验结果显示，相较于现有基线方法，FOAL 在六个领域转移对上取得了 6% 的性能提升，并显著降低了领域差异。
发现论文，激发创造
  • 领域扩充的 ASTE：重新思考情感三元组抽取中的泛化

    这篇文章提出了一种针对领域扩展的 Aspect Sentiment Triplet Extraction（ASTE）基准，并对现有方法进行了分析，结果表明生成模型在领域泛化方面具有强大的潜力。

    May, 2023

  • 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

  • 一种用于方面情感三元组提取的配对增强方法

    该研究提出了一种关于 Aspect Sentiment Triplet Extraction（ASTE）的配对增强方法，通过引入对比学习，在训练阶段向三元组提取模型注入配对知识，以解决当前模型中存在的复杂语言和单个句子中存在多个方面项和意见项的问题。实验结果表明，该方法在四个 ASTE 数据集上的表现良好，并验证了对比学习相对于其他配对增强方法的优势。

    Jun, 2023

  • 跨领域情感分析的纯对比学习

    本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

    Aug, 2022

  • 零样本基于方面的情感分析

    本研究提出了一种名为对比后训练的自然语言推理方法，可以在没有人工注释数据的情况下，对新领域中针对方面的情感分析（ABSA）进行零 - shot 转移，并在多个 ABSA 任务中进行了评估。

    Feb, 2022

  • 利用从粗到细的任务传递进行方面级情感分类

    本文提出一种多粒度对齐网络 (Multi-Granularity Alignment Network) 并采用粗到细任务转移方法，以改善低资源微观层面 Aspect Term (AT) 任务的学习效果，其中采用了一种新颖的辅助任务掌握的粗粒度 Aspect Category (AC) 任务的知识，并采用对比的特征对齐方法，通过语义的方式对齐方面 特定的特征表示。

    Nov, 2018

  • CONTRASTE：基于方面提示的监督对比预训练用于方面情感三元组提取

    使用 CONTRASTE 作为一种基于对比学习的新型预训练策略，通过在解码器生成的面向方面的情感表示上应用对比学习来提高 Aspect Sentiment Triplet Extraction（ASTE）的性能，同时也展示了该技术在其他 ABSA 任务上的优势，并通过在基于编码器 - 解码器模型的基础上结合两个互补模块的新型多任务方法，即基于标记的观点术语检测器和基于回归的三元组计数估算器，进行细调以获得模型的权重，并通过详细的实验证明了我们所提出的每个组件的重要性，实现了 ASTA 的最新最佳结果。

    Oct, 2023

  • 通过分类器差异进行自我训练以进行跨领域意见目标提取

    本文提出了一种基于领域适应的半监督学习方法，该方法通过挑选目标样本来提高目标域的性能，并在基准跨域 OTE 数据集上进行了广泛的实验。

    Feb, 2023

  • 域不变特征蒸馏用于跨领域情感分类

    本文提出了一种用于跨域情感分类的新方法，利用属性检测这一正交的领域相关任务来提炼领域不变情感特征，实现了对领域转移的有效性验证。

    Aug, 2019

  • 基于语法指导的领域自适应情感分析

    本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。

    Nov, 2022