- MiniConGTS: 一个极简的对比网格标签方案,用于方面情感三元组抽取
提出了一种在 Aspect Sentiment Triplet Extraction 中利用预训练表示的方法,并通过整合简化标签方案和新颖的令牌级对比学习策略来改善和利用预训练表示,实现了与最先进技术相媲美或更好的性能,同时具有更紧凑的设计 - 重新思考 ASTE:一种最简标签方案与对比学习
该研究提出了一种新的标签方案,并采用对比学习方法来解决细粒度情感分析中的困难,表现出与现有技术相媲美或优越的性能,具有更紧凑的设计和较低的计算开销,甚至在大语言模型时代,显示出比 GPT 3.5 和 GPT 4 在少样本学习场景下更为有效的 - 基于提示的三通道图卷积神经网络用于观点情感三元组提取
我们提出一种名为 PT-GCN 的新模型,将关系表格转换为图形,以便探索更全面的关系信息,并利用三通道卷积模块提取精确的情感知识,最终实验结果显示我们的模型达到了最先进的性能。
- FOAL:面向跨域方面情感三元组抽取的细粒度对比学习
在跨领域情感三元组提取(ASTE)中,我们提出了一种名为 Fine-grained cOntrAstive Learning(FOAL)的方法,通过减少领域之间的差异并保留每个类别的可辨识性,有效地在领域之间转移知识并准确提取情感三元组,实 - EMNLPCONTRASTE:基于方面提示的监督对比预训练用于方面情感三元组提取
使用 CONTRASTE 作为一种基于对比学习的新型预训练策略,通过在解码器生成的面向方面的情感表示上应用对比学习来提高 Aspect Sentiment Triplet Extraction(ASTE)的性能,同时也展示了该技术在其他 A - 用于方面情感三元组提取的语义增强双编码器
本文提出了一个框架,该框架利用了基本的编码器(主要基于 BERT)和一个特殊的编码器,该编码器由 Bi-LSTM 网络和图卷积网络 (GCN) 组成,以捕获不同层次的语义信息并建模评论的依赖关系,通过融合两种编码器的语义,实现了多角度的交互 - 一种用于方面情感三元组提取的配对增强方法
该研究提出了一种关于 Aspect Sentiment Triplet Extraction(ASTE)的配对增强方法,通过引入对比学习,在训练阶段向三元组提取模型注入配对知识,以解决当前模型中存在的复杂语言和单个句子中存在多个方面项和意见 - ACL在真实环境下评估 ASTE 模型:一个多领域多样化方面情感三元组抽取数据集
本文介绍了一个命名为 DMASTE 的数据集,该数据集被手动注释以更好地适应真实世界的情况,并包括比现有数据集更多的方面类型和领域。 我们对 DMASTE 进行了大量实验,结果表明 DMASTE 是一个更具挑战性的 ASTE 数据集。
- 领域扩充的 ASTE:重新思考情感三元组抽取中的泛化
这篇文章提出了一种针对领域扩展的 Aspect Sentiment Triplet Extraction(ASTE)基准,并对现有方法进行了分析,结果表明生成模型在领域泛化方面具有强大的潜力。
- AAAISTAGE: 面向方面情感三元组提取的跨度标记与贪婪推理方案
本文提出了一种基于多标签分类的新方法 STAGE,使用跨度级别的信息和限制,对 Aspect Sentiment Triplet Extraction(ASTE)进行分析和情感分类,并在四个广泛使用的数据集上取得了最后效果。
- COLING构造偏置的方面情感三元组抽取
本研究通过使用适配器将结构偏差集成到预训练语言模型中,用廉价计算的相对位置结构代替句法依赖关系来解决效率问题,并在 SemEval 数据集上进行基准评估,在轻量级参数需求和低延迟的同时获得了先进的性能,得出结构偏差即使在 PLMs 中仍然是 - 预训练语言编码器是方面情感三元组提取的自然标注框架
通过深入探究所含特定知识,该研究提出不必再设计模块来捕获 ASTI 的归纳偏差,奠定了 PLEs 可以作为自然标记框架用于 1D 和 2D 标记的基础,进一步提高标记结果的性能,这一方法已在实验中验证其新的最先进水平。
- 面向方面情感三元组提取的跨度双向网络
本文提出了一种基于 span-level 的双向网络框架,以更全面地从评论语句中提取三元组。但随着所有可能的跨度数量的显著增加,从中有效地提取三元组成分至关重要和具有挑战性,并且采纳 KL 散度扩展的类似跨度分离代价来促进区分正确跨度的下游 - EMNLPPASTE: 使用指针网络的无标记解码框架进行方面情感三元组提取
该研究提出了一种标注自由的 Aspect Sentiment Triplet Extraction (ASTE) 方法,使用 encoder-decoder architecture 和 Pointer Network-based deco - ACL学习跨度级别的交互以进行方面情感三元组提取
本研究提出了一种基于句子结构的方法,对 ABSA 中的 Aspect Sentiment Triplet Extraction(ASTE)实现了更好的情感一致性,同时为 Aspect Term Extraction(ATE)和 Opinio - 语义和句法增强的方面情感三元组抽取
本文提出了一种利用语义和语法关系的 Semantical and Syntactically Enhanced aspect Sentiment triplet Extraction (model S3E2),采用图 - 序列交互建模和 G - AAAI面向方面情感三元组提取的双向机器阅读理解
本研究提出了一种基于双向 MRC 框架的多轮阅读理解方法,以解决 Aspect sentiment triplet extraction 任务中各子任务之间关联的挑战,并在四个基准数据集上证明了其优越的表现。
- 先目标和意见,再极性:增强方面情感三元组提取中的目标意见相关性
提出一种两阶段框架用于增强目标和观点之间的相关性,通过序列标注提取目标和观点,在输入句子中添加一组名为 “可感知对” 的人工标记,以获取更接近相关的目标 - 观点对表示,通过限制标记的注意范围来减少三元组之间的负面干扰。
- EMNLP面向方面情感三元组提取的位置感知标记
本文提出了一种新型的定位感知标注方案,旨在通过序列标注方法达到同时提取目标实体、与其相关的情感和原因的任务,实验证明了这种方法可以改善现有方法的性能。
- AAAI知道什么、怎么做和为什么:面向方面情感分析的几乎完整解决方案
本文提出了一个新的 ABSA 子任务,名为 Aspect Sentiment Triplet Extraction (ASTE),并提出了解决这个任务的两阶段框架,实验结果表明这个框架在这个新的三元组抽取任务上取得了优异的表现和基准性能。