无序文本中的动态方面注释总结的基准测试:Disordered-DABS
利用 Longformer-Encoder-Decoder 的新型多目标学习框架,实现了对在线内容进行动态方面的摘要,通过优化方面数量预测、减小生成与参考摘要之间的差异以及最大化方面特定摘要之间的差异来提升摘要质量。在广泛的实验中,我们的方法在三个多样的数据集上明显优于基线,而且在不损害单一方面摘要质量的情况下,成功对齐了生成和参考的方面数量。
Jun, 2024
DiffusionABSA 是专门为 Aspect-Based Sentiment Analysis(ABSA)而设计的一种新型扩散模型,通过逐步提取方面术语,并采用一种逆向的去噪过程来精确确定边界,其中使用了语法感知的时间注意机制,实验证明 DiffusionABSA 在八个基准数据集上相对于其他基准模型具有明显的优势。
Feb, 2024
通过将主题发现和总结集成到单一步骤中,我们提出的 JADS 算法从文本数据中发现方面,并生成主题的总结,其在优化总结和聚类算法中表现出更好的性能和稳定性,此外,从 JADS 中获得的嵌入展现出更优越的聚类能力,我们所提出的方法在语义对齐和准确性方面取得了较高的水平。
May, 2024
本文提出了一种基于动态顺序模板(DOT)的 ABSA 方法,通过基于实例级熵动态生成每个实例所需的视图,确保多样化和相关的视图生成,提高 ASQP 和 ACOS 数据集上的 F1 分数,同时显著减少推理时间。
Jun, 2024
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
本文提出将基于方面的情感分析任务转变为使用目标、方面和极性生成辅助语句的抽象摘要式生成任务,在餐厅领域和城市社区领域基准数据集上 fine-tune 了一个预训练模型,获得了最新的最优结果。
Oct, 2021
近年来,自动摘要模型的性能有了显著提升,然而在满足实际场景中用户的具体信息需求方面仍存在差距,尤其是在本文中所针对的有用的基于方面的摘要设置中。为了推动更加现实的场景研究,我们引入了 OpenAsp,一个用于多文档开放方面的摘要的基准。该基准使用一种新颖且具有成本效益的注释协议来创建,通过该协议从现有的通用多文档摘要数据集中提取开放方面数据集。我们分析了 OpenAsp 的特性,展示了其高质量的内容,并且证明了 OpenAsp 中实现的现实开放方面设置对于当前最先进的摘要模型和大型语言模型来说是一个挑战。
Dec, 2023
本文旨在通过将每个 ABSA 子任务目标重新定义为由指针索引和情感类别索引混合的序列,将 ABSA 的各个子任务转换为统一的生成式公式,并利用预训练序列到序列模型 BART 在端到端框架中解决所有 ABSA 子任务。实验结果表明,我们的框架在四个 ABSA 数据集上实现了实质性的性能收益,并为整个 ABSA 子任务提供了真正的统一端到端解决方案,这可使多个任务受益。
Jun, 2021
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