ACLFeb, 2024

面向开放式人力资源调查响应的方面情感分析

PDF
TL;DR本文提出了一种针对荷兰员工满意度调查中开放式回答的基于方面的情感分析（ABSA）的机器学习方法，通过回应聚类识别了六个关键方面，并使用荷兰预训练语言模型与基准模型进行对比，成功应用于人力资源（HR）领域，对 ABSA 领域有重要贡献。
aspect-based sentiment analysisdutch open-ended responsesemployee satisfaction surveysresponse clusteringdutch pre-trained language models
发现论文，激发创造
  • 面向方面的情感分析技术：一项比较研究

    通过比较分析，本研究探讨了深度神经网络在基于方面的情感分析方面的应用，并发现 FAST LSA 在两个基准数据集（Restaurant14 和 Laptop-14）上取得了最佳结果，准确率分别为 87.6% 和 82.6%，但 LSA+DeBERTa 则报告了分别为 90.33% 和 86.21% 的准确率。

    Jul, 2024

  • 基于方面的情感分析数据集综述

    该研究提供了一个数据库的语料库被用于训练和评估自主 ABSA 系统，对于研究人员选择语料库时应考虑的一些特点进行了概述，分析了目前的收集方法的利弊，并建议未来 ABSA 数据集收集，在 65 个公开可用的 ABSA 数据集上进行了调查。

    Apr, 2022

  • 基于方面的情感分析研究综述：任务、方法和挑战

    该文系统地综述了目前各种基于方面的情感分析（ABSA）任务及其解决方案，包括情感元素、预训练语言模型等。该文提出了一个新的 ABSA 分类表，并强调了近年来对多元素 ABSA 任务研究的重要性。同时，该文总结了预训练语言模型在 ABSA 中的应用，介绍了跨领域 / 跨语言情况下构建更实用的 ABSA 系统的技术，并讨论了 ABSA 未来发展的方向与挑战。

    Mar, 2022

  • 基于地理位置的方面情感分析（ABSA）用于众包评估城市环境

    该研究开发了一个能够从地理定位的城市评价中提取城市方面，并对其进行情感分类的 ABSA 模型。通过对 2500 个公共公园的众包评价进行数据标注，并在这些数据上使用带有局部上下文焦点的双向编码器表示转换 (BERT) 模型进行训练，我们的模型在城市评价的方面术语提取和方面情感分类任务中取得了显著的预测准确性。通过空间可视化展示了波士顿的正负城市方面。我们希望这个模型对设计师和规划师进行细粒度的城市情感评价时能够有所帮助。

    Dec, 2023

  • 带有明确情感加强的基于方面的情感分析

    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

  • 令人尴尬地简单的无监督方面情感元组提取

    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

  • 有时候简单就好：提升基于方面的情感分析性能的研究

    本文介绍了一种可扩展到任何 ABSA 子任务的生成框架 PFInstruct，通过在任务描述中添加 NLP 相关任务前缀，相较于基准模型，在所测试的所有 SemEval 子任务中取得了更好的性能，并在 Rest14（ATE 子任务）上以 + 3.28 的 F1 分数和在 AOOE 子任务上平均 + 5.43 的 F1 分数超越了之前的最新结果，并且我们发现，即使存在噪声，前缀增强的提示质量也可以提高模型性能。同时，我们的方法在生物医学领域数据集（ERSA）上也取得了有竞争力的结果。

    May, 2024

  • 一种新颖的关于方面的情感分析的反事实方法

    提出一种采用反事实数据增强方法，针对情感分析任务中球面情感倾向分析的问题，该方法利用集成梯度计算和蒙版技术对情感表达式进行反转，并通过一个 T5 预训练语言模型进行预测，在三个开源数据集上获得更好的结果。

    Jun, 2023

  • 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

  • 提高 BERT 对于基于方面的情绪分析的表现

    本文介绍了基于深度学习模型 BERT 的两个模块 Parallel Aggregation 和 Hierarchical Aggregation， 用于 Aspect-Based Sentiment Analysis 中的 Aspect Extraction 和 Aspect Sentiment Classification， 改善了模型的性能。

    Oct, 2020