关键词fine-grained sentiment analysis
搜索结果 - 11
- 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 - 软提示引导的跨领域情感分析联合学习
本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。
- 使用知识图谱增强的 Transformer 进行跨领域方面提取
本文介绍了一种自动构建领域特定知识图谱的方法，并通过将其注入到 Transformer 模型中以识别 aspect terms，提高了跨域情感分析中的性能表现。
- 针对少样本方面情感分析的指令调整
本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本 - COLING利用未标记数据进行面向目标的观点词提取
本文提出使用未标记数据进行深度学习的目标导向情感词抽取任务，设计两种不同粒度的噪声数据过滤器，并采用多粒度一致性规则方法来降低训练数据和测试数据之间的分布飘移，实验结果表明该方法在四个基准数据集上优于当前最先进的方法。
- 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 - ACLBiSyn-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 - ACL有则显之：充分利用细粒度情感标注
本文探索了加入情感持有者和情感表达信息是否能够改善目标提取和分类，并在 8 个英文数据集上进行了实验证明，预测目标和情感 BIO 标签可以提高目标提取，将输入文本增加黄金表达通常可以改善有针对性的极性分类。同时，我们的结果表明，目前模型预测 - ACL双嵌入与基于 CNN 的序列标注用于方面提取
这篇论文研究的主题是使用深度学习进行监督式商品评论的精细情感分析。论文提出了一种使用两种预先训练的词向量嵌入进行商品特征提取的简单 CNN 模型，取得了优于先前最先进方法的出色结果。
- 多示例学习网络用于细粒度情感分析
本文从多实例学习的角度考虑了细粒度情感分析的任务。我们的神经模型通过文档情绪标签进行训练，学习预测文本片段的情感，如句子或基本话语单元 (EDUs)，不需要对片段级别进行监督学习。我们引入了基于注意力机制的极性评分方法，用于确定正面和负面的 - ICLR采用乘法循环神经网络模拟组合性
本文通过提出一个多重循环神经网络的新模型，其可以广泛应用于语言的组合式含义，还可用于微观情感分析任务。研究者通过这种模型建立了与之前研究的矩阵空间模型建立了联系，并证明它们是该乘法网络的特例。 该研究发现其表现比 Elman 型加性循环神经