S$^2$GSL:基于分段到句法增强图结构学习的方面情感分析
本文提出了一种基于句法依存知识的交互式多任务学习模型,结合依存关系嵌入图卷积网络和简单有效的消息传递机制,以实现对情感分析的方面术语的提取和情感识别任务,并采用 BERT 作为附加特征提取器,实现了对现有最新技术方法更显著的效果提升。
Apr, 2020
本文提出了一种基于图的深度学习模型,该模型使用门向量从方面词的表征向量生成来定制基于图的模型的隐藏向量,并在模型中注入从依赖树中获取的每个单词的重要性得分,从而改善方面级情感分析的表征向量,实现了三个基准数据集上的最新成果。
Oct, 2020
该研究提出了一种名为 KGAN 的知识图增强网络,旨在增强对细粒度情感分析任务的理解。该方法通过并行学习语境和句法表示来捕获情感特征,然后结合知识图和 RoBERTa 模型进一步获取方面特定的知识表示,并通过分层融合模块进行完整的特征表示。该方法在五个流行的 ABSA 数据集上进行了大量实验,并在所有数据集中实现了最先进性能的新纪录。
Jan, 2022
该研究介绍了一种名为 “Extensible Multi-Granularity Fusion(EMGF)网络” 的方法,通过整合依赖句法、常量句法、注意力语义和外部知识图等信息,有效地利用每个粒度特征和它们之间的协同作用,实现了累积效应,而不会增加额外的计算费用。在 SemEval 2014 和 Twitter 数据集上的实验结果验证了 EMGF 方法对现有 ABSA 方法的优越性。
Feb, 2024
文章提出了一种称为 BiSyn-GAT + 的新方法,用于解决传统基于依赖树的 Aspect-Based 情感分析方法的噪声干扰问题,该方法通过完全利用句子的依存树特征,包括短语分割和层次结构,来建模情感感知单个方面的上下文和跨方面的情感关系。通过实验证明,该方法对于 Aspect-Based 情感分析的四种基准数据集均优于现有的最先进方法。
Apr, 2022
通过增强方面 - 句子感知关注机制,提出了一个名为 A3SN 的新颖技术,通过增加注意力模块和整合特征表示,增强了 Aspect-Based Sentiment Analysis(ABSA)的效果,并在三个基准数据集上胜过了最先进的基准模型。
May, 2024
我们引入了一种创新模型:句法依赖增强的多任务交互架构 (SDEMTIA),用于全面的基于方面的情感分析 (ABSA)。我们的方法创新地利用了句法知识 (依赖关系和类型),并使用专门的句法依赖嵌入交互网络 (SDEIN)。我们还在多任务学习框架内结合了一种新颖高效的信息传递机制,以增强学习效果。我们在基准数据集上的广泛实验证明了我们模型的优越性,明显超越了现有方法。此外,引入 BERT 作为辅助特征提取器进一步提高了我们模型的性能。
Nov, 2023
本文提出了一个名为 SE-GSL 的通用图结构学习框架,通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性,它对于各种图神经网络模型具有增强鲁棒性的作用。
Mar, 2023
该研究引入了一种名为 SentiSys 的创新增强型边缘图卷积网络,用于在保留完整特征信息的同时导航句法图,从而提高情感分析性能。评估实验和消融研究表明,SentiSys 在方面级情感分析中取得了改进的性能,成功解决了句法特征提取的挑战,展示了其推进情感分析方法学的潜力。
Apr, 2024
本文提出了一种基于目标相关性的图形注意网络(TD-GAT),以在对句子的句法结构进行显式利用的基础上实现对方面级别情感分类的准确识别,并使用 BERT 表示进一步提高了性能。
Sep, 2019