实体级情感:超越部分之和
该研究分析使用不同语言的大量手动标记的推文作为训练数据构建自动分类模型时,训练数据的质量和数量对于分类模型的质量比所使用的模型类型更为重要,并且当训练集的大小足够大时,模型的性能接近于标注者一致性,但定期监视标注者的一致性是非常重要的,从而改善训练数据集和模型性能,最后我们还表明,有强有力的证据表明,人们认为情感类别(消极的,中性的和积极的)是有序的。
Feb, 2016
本文介绍使用Best-Worst Scaling技术获取三个不同领域(一般英语,英语Twitter和阿拉伯语Twitter)中单词和短语的情感关联分数,并确定了一种语言本土人民可以感知的情感关联最小差异。
Dec, 2017
文中介绍了一种从在线产品评论中进行意见摘要的神经框架,该方法是知识瘦身的,只需要轻量级的监督,包括产品领域标签和用户提供的评分。方法结合了两个弱监督组件(一个偏向提取器和一个基于多实例学习的情感预测器),从多个评论中识别显著观点并形成提取式摘要。研究介绍了包括六个不同领域的产品评论的训练集以及具有黄金标准方面注释、显著标签和意见摘要的人工注释开发和测试集的意见摘要数据集。自动评估显示该方法相对于基线的显著改进,大规模研究表明根据多个标准,人类评判员更喜欢该方法的意见摘要。
Aug, 2018
本文介绍了机器学习在情感分析领域的最新进展,并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外,文中还讨论了情感分析存在潜在有害影响的问题,并介绍了追求情感分析公平性的最新研究方向。
May, 2020
PerSenT数据集包括了新闻文章中主要实体的情感分析,并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明,这是一项困难的分类任务。该论文指出,使用BERT对文档级表示进行微调是不足够的,并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含5.3k个文档和38k个段落,涵盖3.2k个独特的实体,是实体情感分析中的一个挑战。
Nov, 2020
本篇研究探讨了实体级情感分析(Entity-Level Sentiment Analysis,ELSA)这一任务,通过对多个领域的专业评论进行深入研究,发现其中所包含的情感涉及的实体与情感之间存在着特定关系,并提供了一系列实验以证明文档级、句子级和目标级情感分析对于 ELSA 的贡献,并探讨了它们的缺点。同时,还对该领域的先前相关研究进行了综述。
Apr, 2023
本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战,提出 SAEntFiN 1.0 数据集,并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果,RoBERTa 和 finBERT 的平均准确率和 F1 分数最高,同时使用 210,000 多个实体情感预测验证了情感对市场的影响。
May, 2023
基于VAE的主题建模方法,利用文档级别的监督,在不需要精细标注方面或情感方面的标签的情况下完成ABSA,能够检测文档中的多个方面,从而合理推测多个方面的情感是如何融合形成可观察的整体文档级情感的。通过对两个不同领域的基准数据集的实验结果证明,该方法显著优于最先进的基准模型。
Oct, 2023