Jan, 2024

适应性数据增强对方面情感四元预测

PDF
TL;DR该研究提出了自适应数据增强（ADA）框架来解决情感分析中的数据不平衡问题，并探索了生成框架用于提取完整的情感四元组。实验结果表明，自适应数据增强方法对于改善情感分析任务中的数据不平衡问题具有优势。
aspect sentiment quad predictiondata imbalanceadaptive data augmentationquad-pattern imbalanceaspect-category imbalance
发现论文，激发创造
  • 将方面情感四元组预测转化为释义生成

    本文提出了基于语义生成以及 ASQP 任务的方案，能够通过一个句子实现四个情感因素的预测，从而揭示一个更全面的方面级别情感结构。同时该方案可以以端到端的方式从生成的角度来解决 ASQP 任务，充分利用情感元素的语义信息，取得了很好的实验效果及其在其他任务上的良好通用性。

    Oct, 2021

  • 一个统一的一步解决方案：方面情感四元预测

    本文提出了一种统一的一步解决方案 One-ASQP，用于检测方面类别并同时识别方面 - 意见 - 情感 (AOS) 三元组，旨在扩展 Aspect sentiment quad prediction (ASQP) 的能力，并公开了两个新的 ASQP 数据集，以解决现有基准和数据集规模较小的问题。

    Jun, 2023

  • 中国方面情感四元预测基准的实证研究

    通过构建两个大型的中文 aspect sentiment quad prediction（ASQP）数据集，我们评估了 GPT 系列模型在 ASQP 上的性能，并展示了潜在的问题，同时强调了需要探索额外技术以解决 ASQP 以及改善 GPT 性能的重要性。

    Nov, 2023

  • 通过模板 - 顺序数据增强改进方面情感四元组预测

    本文探讨了模板顺序对方面情感四元组预测任务的影响，并提出了通过最小化熵选择模板顺序并使用多种合适的模板进行数据增强提高该任务表现的方法。在低资源情况下，该方法优于现有的最先进方法。

    Oct, 2022

  • 使用伪标签评分器进行方面情感四元预测的自训练

    Aspect Sentiment Quad Prediction (ASQP) 任务是在基于方面的情感分析中预测给定评论的所有四元组（方面术语、方面类别、意见术语、情感极性）的最具代表性和具有挑战性的任务。我们提出了一个自训练框架，其中包含一个伪标签评分器，用于评估评论与其伪标签之间的匹配程度，目的是过滤掉不匹配的部分，从而增强自训练的效果。我们还探索了使用大型语言模型替代人类进行对比数据集注释的可能性，并且实验证明了其可行性。

    Jun, 2024

  • 自洽基于推理的方面 - 情感四元预测与提取 - 分派策略

    通过模型的自洽性推理和相应的情感四元组生成，SCRAP 显著提高了应对复杂推理任务的能力，并通过一致性投票正确预测四元组，从而在 ASQP 中获得了增强的可解释性和准确性。

    Mar, 2024

  • BvSP: 广视野软启发式训练用于少样本情感四元预测

    本研究旨在解决使用神经模型进行少样本学习中，纬度预测的挑战，并提出了一种聚合多个模板的广角软提示方法，通过使用预训练语言模型选择相关度最高的 k 个模板，并使用软提示来指导预训练语言模型，最终将多个模板的结果通过投票机制进行聚合。实验证明，该方法在各项指标上明显优于其他最新方法和公共数据集。

    Jun, 2024

  • DiaASQ：一项对话基于方面的情感四元组分析基准测试

    本文介绍了一项新任务 DiaASQ，旨在探索对话中目标 - 方面 - 意见 - 情感的细粒度情感分析，并提出了一个神经模型来进行四元组预测，以更好地跨话语提取四元组，以桥接细粒度情感分析和对话意见挖掘。

    Nov, 2022

  • 针对少样本方面情感分析的指令调整

    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

  • 基于大型语言模型的方面情感分析的迭代数据增强

    提出了一个名为 IterD 的系统化迭代数据增强框架来提高 ABSA（Aspect-based Sentiment Analysis）的性能，通过利用大型语言模型迭代地产生更加流畅和多样的合成标签数据，从而在 4 个广泛使用的 ABSA 基准测试中带来了稳定且显著的性能提升，并且由 IterD 生成的合成数据可以达到与人工标注数据相媲美甚至更好的性能。

    Jun, 2024