Jul, 2024

MambaForGCN: 通过状态空间模型和科尔莫洛戈夫-阿诺德网络增强方面为基础的情感分析中的长距离依赖

HTML
PDF
TL;DR提出了一种创新方法MambaForGCN，该方法通过将语法基础的图卷积网络（SynGCN）和MambaFormer模块以及Kolmogorov-Arnold网络（KANs）融合，来增强Aspect-based sentiment Analysis（ABSA）中方面和意见词之间的短程和长程依赖关系。实验结果表明，MambaForGCN在三个基准数据集上的表现优于最先进的基线模型。
发现论文，激发创造
  • 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

  • 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

  • 基于依存句法知识增强的交互式架构，用于端到端的基于方面的情感分析

    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

  • 门控图卷积网络和基于语法规则的调控改进方面情感分析

    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

  • 更近一步：学习如何将方面与观点联系起来

    本文旨在学习一种以方面为中心的树形结构来缩短方面词和对应观点词之间的距离，以此来更好地识别情感极性。在五个面向方面的情感数据集上进行实验证明，该模型显著优于最近的强基准线。此外, 对标准SemEval Restaurant14数据集的详细分析表明，方面词和观点词之间的平均距离至少缩短了19%。

    Sep, 2021

  • 知识图谱增强网络用于多视角表征学习之基于方面的情感分析

    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

  • BiSyn-GAT +: 面向方面情感分析的双语法感知图注意力网络

    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

  • RDGCN: 基于强化依存图卷积网络的方面情感分析

    提出了一种新的增强依赖图卷积网络 (RDGCN)，它改进了依赖关系的重要性计算，包括距离和类型视图。在三个常见数据集上的综合实验表明，RDGCN 在所有验证中优于最先进的基于 GNN 的基线模型。

    Nov, 2023

  • 双KanbaFormer：Kolmogorov-Arnold 网络和状态空间模型

    本研究解决了多模态基于方面的情感分析中，长距离依赖建模的不足和视觉表示的全局上下文捕获的挑战。我们提出了新的DualKanbaFormer架构，通过结合选择性状态空间模型和Kolmogorov-Arnold网络，显著提升了文本和视觉数据的情感分析效果。实验结果表明，该模型在两个公开数据集上的表现超越了一些现有的最先进研究。

    Aug, 2024

  • 双卡巴变换器：Kolmogorov-Arnold网络与状态空间模型变换器用于多模态基于方面的情感分析

    本文针对多模态基于方面的情感分析（MABSA）中，现有模型在长距离依赖建模和视觉全局上下文依赖捕捉上的局限性，提出了一种新颖架构双卡巴变换器（DualKanbaFormer）。通过结合Kolmogorov-Arnold网络和选择性状态空间模型，有效提升了文本与图像的情感分析能力。实验结果表明，该模型在两个公共数据集上超过了一些现有的最先进研究。

    Aug, 2024