Jan, 2024

基于 Transformer 模型的孟加拉情感分析的里程碑：基础、挑战与未来研究方向

PDF
TL;DR情感分析（SA）是指将情感极性（通常为正面、负面或中性，甚至包括微妙的愤怒、悲伤等）与给定的文本相关联，基本上将其分解为一项监督分类任务。本文分析了孟加拉语中情感分析的最新技术，特别是基于 Transformer 的模型，讨论了可用的数据集及其缺点，以及在孟加拉语中应用情感分析所面临的挑战，并为未来的研究提供了解决局限性的见解。
sentiment analysissabengalitransformer-based modelsdatasets
发现论文，激发创造
  • RSM-NLP 在 BLP-2023 任务 2 中：使用加权和多数投票的精调 Transformer 进行孟加拉情感分析

    本论文描述了我们在 BLP 研讨会的共享任务 2 中对孟加拉社交媒体帖子进行情感分析的方法，我们通过使用多语言 BERT 模型进行实验和微调，并使用多数投票和加权集成模型，取得了优于基准模型的成绩，分数为 0.711，排名共享任务排行榜的第 10 位。

    Oct, 2023

  • BanglaNLP 参与 BLP-2023 任务 2：对孟加拉社交媒体帖子的情感分析进行不同 Transformer 模型的基准测试

    这篇论文使用基于 Transformer 的架构进行情感分析，以解决 Bangla 这种低资源语言的问题，并通过细调模型在推特数据上获得最佳性能。同时，还进行了详细的错误分析。

    Oct, 2023

  • 乌尔都语音与文本情感分析器

    本研究提出了一个基于用户评价的新型多类乌尔都数据集，旨在为乌尔都情感分析构建手动注释的数据集，并建立基准结果。使用五种不同的词库和基于规则的算法，最终实验结果表明，Flair 的准确率为 70%，优于其他测试的算法。

    Jul, 2022

  • 使用迁移学习和联合双输入自注意力学习的印地语 / 孟加拉语情感分析

    本文是在探索如何使用深度神经网络进行迁移学习和联合双输入学习，以有效地分类印地语和孟加拉语数据的情感和检测仇恨言论。我们使用 Word2Vec 单词嵌入进行训练，然后使用 BiLSTM 和自我关注来进行分类。

    Feb, 2022

  • 跨语言情感分析：机器翻译英语前后的评估

    本文研究了跨多语言数据集及经过机器翻译的文本中，变压器模型在情感分析任务中的表现，并通过比较这些模型在不同语言环境中的效果，洞察其性能变化对情感分析跨多种语言的潜在影响，同时还探讨了其缺点及未来研究的潜在方向。

    May, 2024

  • 大语言模型时代的情感分析：现实检验

    本文讨论了大型语言模型在情感分析任务中的有效性，对 13 项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架 SentiEval。

    May, 2023

  • 自动检测方面的方面情感分析（Auto-ABSA）

    本文提出了一种利用句子中有关方面的辅助句子来帮助情感预测的方法，该方法包括使用多方面检测模型进行方面检测，并将预测出的方面与原始句子组合作为情感分析模型的输入，并通过训练情感分类模型进行领域外的基于方面的情感分析。最终，我们对两个基准模型和我们的方法进行对比，发现我们的方法确实有意义。

    Jan, 2022

  • nlpBDpatriots 在 BLP-2023 任务 2 中的应用：孟加拉情感分析的迁移学习方法

    本文讨论了 nlpBDpatriots 参加首届与 EMNLP 合作举办的 Bangla 语言处理（BLP）研讨会上共享任务的社交媒体帖子情感分析。我们使用孟加拉语数据集，该数据集由共享任务组织者提供，并注有积极、中性和消极标签，旨在确定社交媒体内容的极性。我们最好的系统是数据增强的迁移学习方法，其 micro F1 分数达到 0.71。在参加比赛的 30 支球队中，我们的最好系统排名第 12 位。

    Nov, 2023

  • 自然语言处理中情感分析技术的探究：综述

    本文详细阐述了情感分析的最新趋势和技术，通过系统综述了词汇、图形、网络、深度学习和规则等方法并比较分析数据集和评价指标，展现了情感分析的广泛应用领域，并旨在提高情感分析的效率和准确性。

    May, 2023

  • 大规模多语言情感分类器评估

    研究评估 11 种模型在 27 种语言中进行情感分析任务。

    Apr, 2022