Apr, 2024

监督逐步机器学习用于方面类别检测

PDF
TL;DR将深度神经网络与渐进式机器学习相结合，以解决评论句子中隐含和显式方面的检测问题，通过分析学习得到的 DNN 的潜在空间来建模实例之间的相似或相反关系，并在因子图中表示这些关系作为二元特征，最终的比较研究表明，该方法与纯 DNN 解决方案相比始终表现更好。
aspect category detectiondeep neural networksgradual machine learningsemantic relation modelingfeature extraction
发现论文，激发创造
  • 多标签少样本学习用于方面类别检测

    该论文提出了基于原型网络的多标签少样本学习方法，引入两种有效的注意力机制并学习一个动态阈值，以实现情感分析中的方面类别检测任务，并在三个数据集上得到了显著的性能提升。

    May, 2021

  • 多标签少样本方面类别检测的标签驱动去噪框架

    该研究论文提出了一种新的子任务：多标签少样本的方面类别检测，使用标签驱动的去噪框架解决了当前任务中存在的噪声问题，实验结果表明该框架的性能优于目前其他先进的方法。

    Oct, 2022

  • 基于渐进机器学习的小样本图像分类

    基于渐进机器学习的非 i.i.d 范式，本文提出了一种新颖的途径，通过提取特征表示逐步学习，构建一元和二元因子来分类图像，实验证明该方法在准确性方面提高了 1-5%，并且相比于现有的深度模型更具鲁棒性。

    Jul, 2023

  • 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

  • 基于主题 - 注意力网络的方面类别检测

    通过基于注意力机制的深度神经网络方法，对餐厅方面的用户评论进行情感分析，并尝试将评论句子归为一组预定义的方面类别。在 SemEval 研讨会发布的两个餐厅领域数据集上，我们的方法表现优于现有的方法，并可视化主题注意权重来展示模型识别与不同主题相关的单词的效果。

    Jan, 2019

  • 方面 - 类别情感分析的多实例多标签学习网络

    提出一种面向方面类别情感分析的多示例多标记学习网络（AC-MIMLLN），将句子视为袋子，单词视为实例，并将表示方面类别的单词作为关键实例。在三个公共数据集上的实验结果证明了 AC-MIMLLN 的有效性。

    Oct, 2020

  • 神经网络预测的分层解释

    引入聚合上下文分解的方法来解释 DNN 预测结果。该方法通过产生输入特征的层次聚类以及每个聚类对于最终预测的贡献，实现了对 DNN 的预测结果进行解释，有效诊断不正确的预测和识别数据集的偏倚。同时人体实验也表明，ACD 能够使用户较好地识别两个 DNN 中更准确的那一个，并更加信任 DNN 的输出。

    Jun, 2018

  • 一个简单实用的自监督对比学习框架用于方面检测

    该研究提出了一种自我监督对比学习框架和基于注意力机制、新颖平滑自注意力（SSA）模块的 UAD 任务模型，用于学习更好的方面和评论片段表示，同时引入了高分辨率选择映射 (HRSMap) 和知识蒸馏技术，通过准确地映射模型发现的方面来提高方面检测的性能。实验结果表明，该方法在公开数据集上表现优于多个最近的无监督和弱监督方法。

    Sep, 2020

  • 基于特定方面图卷积网络的方面情感分类

    通过在句子的依赖树上构建图卷积网络，利用了句法信息和单词依赖关系，提出了一种新的特定于方面的情感分类框架。在三个基准测试集上的实验表明，该模型与一系列最先进的模型具有可比较的效果。

    Sep, 2019

  • 利用图卷积网络建模情感依赖性进行方面级情感分类

    本文提出了一种基于图卷积网络的新型方面级情感分类模型，该模型能够有效地捕捉一句话中不同方面之间的情感依赖关系，并通过 SemEval 2014 数据集的评估表明了其优越性。此外，我们还开展了实验以评估 GCN 模块的有效性，并表明不同方面之间的依赖关系在方面级情感分类中具有高度的帮助作用。

    Jun, 2019