Sentiment Analysis: Predicting Yelp Scores
Carnegie Mellon University(卡内基梅隆大学)
在这项工作中,我们基于Yelp开放数据集的一个子集来预测餐馆评论的情绪。我们利用数据集中可用的Meta特征和文本,并评估几种机器学习和最先进的深度学习方法来执行预测任务。通过几个定性实验,我们展示了具有注意力机制的深度模型在学习不同餐馆评论的平衡模型方面的成功。最后,我们提出了一种新的多任务联合BERT模型,提高了整体分类性能。
2022-01-20 cs.CL cs.LG
Semi-supervised learning approaches for predicting South African political sentiment for local government elections
University of Pretoria(比勒陀利亚大学)
本研究旨在通过分析地方政府选举期间在Twitter上分享的情绪来了解南非的政治背景。分析的重点是了解围绕四个主要政党ANC、DA、EFF和CNOSA进行的讨论。一个半监督的方法,通过一个基于图形的技术来标记大量的可访问的Twitter数据的分类到消极和积极的情绪的推文。表达负面情绪的推文通过潜在主题提取进一步分析,以揭示与每个政党相关的隐藏主题。我们的调查结果表明,南非Twitter用户的普遍情绪对所有四个主要政党都是负面的,其中用户对当前执政党ANC的负面情绪最严重,与腐败,无能和负载减少有关。
2022-05-04 cs.CL cs.CY
Predicting the Effects of News Sentiments on the Stock Market
Queens University(皇后大学)
股票市场预测在商业活动的规划中非常重要。股票价格预测吸引了包括计算机科学、统计学、经济学、金融学和运筹学在内的多个学科的研究人员。最近的研究表明,公共领域的大量在线信息,如维基百科的使用模式,主流媒体的新闻报道和社交媒体讨论,可以对投资者对金融市场的看法产生明显的影响。股票市场预测的计算模型的可靠性对经济非常敏感,并可能直接导致经济损失。在本文中,我们检索,提取,并分析了新闻情绪对股票市场的影响。我们的主要贡献包括金融领域的情感分析字典的发展,基于字典的情感分析模型的发展,以及评估模型的新闻情绪对医药市场股票的影响。仅使用新闻情绪,我们在预测短期股票价格走势方面取得了70.59%的方向准确率。
2018-12-11 cs.CL cs.LG
Seeking Sinhala Sentiment: Predicting Facebook Reactions of Sinhala Posts
University of Moratuwa(莫拉图瓦大学);LIRNEasia(LIRNEasia(亚洲区域信息学研究组织))
Facebook网络允许其用户通过情感类型来记录他们对文本的反应。因此,这个网络,在规模上,是一个注释的情感数据的主要数据集。本文使用了数百万个这样的反应,这些反应来自于十年来围绕斯里兰卡背景的Facebook帖子数据,以模拟在线僧伽罗语文本内容的情感检测的旁观者方法。建立三个不同的情感分析模型,考虑到有限的反应子集、所有反应和导出正/负星级值的另一个。这些模型在捕捉观察者的反应的功效,然后计算和讨论。分析表明,僧伽罗语含量的反应的二元分类比其他方法更准确。此外,包含类似反应阻碍了准确预测其它反应的能力。
2021-12-01 cs.CL cs.LG
How Will Your Tweet Be Received? Predicting the Sentiment Polarity of Tweet Replies
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学);Harvard Medical School(哈佛医学院);Sharif University of Technology(谢里夫理工大学)
Twitter情感分析通常侧重于预测推文的极性,在过去几年中引起了越来越多的关注,特别是随着深度学习(DL)的兴起。在本文中,我们提出了一个新的任务:预测(一阶)回复到一个给定的鸣叫之间的主要情绪。因此,我们创建了RETWEET,这是一个用情感标签手动注释的推文和回复的大型数据集。作为一个强有力的基线,我们提出了一个两阶段的DL为基础的方法:首先,我们创建自动标记的训练数据应用标准的情感分类器,以推文回复和聚合其预测为每个原始推文;我们的理由是,由分类器的个别错误很可能会抵消在聚合步骤。其次,我们使用自动标记的数据进行神经网络的监督训练,以预测来自原始推文的回复情绪。在新的RETWEET数据集上对所得分类器进行评估,显示出有希望的结果,特别是考虑到它是在没有任何手动标记数据的情况下训练的。数据集和基线实施都是公开的。
2021-04-21 cs.CL cs.LG
PASTE: A Tagging-Free Decoding Framework Using Pointer Networks for Aspect Sentiment Triplet Extraction
IIT Kharagpur(印度理工学院卡拉格普尔分校)
Aspect Sentiment Triplet Extraction(ASTE)处理提取意见三元组,其由意见目标或方面、其相关联的意见以及解释意见背后的基本原理的相应意见术语/跨度组成。现有的研究工作主要是基于标记的。在采用序列标记方法的方法中,有些方法未能捕获三个意见因素之间的强烈相互依赖性,而另一些方法则无法识别具有重叠方面/意见跨度的三胞胎。另一方面,最近的网格标记方法在预测方面-意见对之间的情感时未能捕获跨度级语义。与此不同的是,我们提出了一个无标记的解决方案的任务,同时解决现有的工作的局限性。我们采用基于指针网络的解码框架的编码器-解码器架构,该框架在每个时间步生成整个意见三元组,从而使我们的解决方案端到端。方面和意见之间的相互作用被解码器有效地捕获,通过考虑它们的整个检测到的跨度,同时预测它们的连接情绪。在几个基准数据集上进行的大量实验表明,我们提出的方法具有更好的效果,特别是在召回方面,以及从同一评论句中预测多个方面/观点重叠的三元组。我们报告我们的结果,无论有和没有BERT,也证明了实用程序的特定领域的BERT后训练的任务。
2021-10-10 cs.CL
Taking a SEAT: Predicting Value Interpretations from Sentiment, Emotion, Argument, and Topic Annotations
Delft University of Technology(代尔夫特理工大学)
本研究提出利用情感、情绪、论证与主题(SEAT)多维度主观标注作为代理,让语言模型预测个体价值解读,实验证实多维度结合效果更优,为后续相关研究奠定基础。
2025-10-02 cs.CL
FEUP at SemEval-2017 Task 5: Predicting Sentiment Polarity and Intensity with Financial Word Embeddings
Faculdade de Engenharia da Universidade do Porto(波尔图大学工程学院);LIACC(人工智能与计算机科学实验室);INESC-TEC(系统与计算机工程、技术与科学研究所)
本文介绍了波尔图大学工程学院开发的方法,参加SemEval 2017,任务5:金融微博和新闻的细粒度情感分析。该任务包括预测一个从-1.0到+1.0的实际连续变量,代表对短文本中提到的公司/股票的情绪的极性和强度。我们将任务建模为回归分析问题,并将传统技术(如预处理短文本,词袋表示和基于词汇的特征)与增强的金融特定嵌入袋相结合。我们使用了一个外部集合的推文和新闻标题,提到公司/股票从标准普尔500创建金融词嵌入,能够捕捉特定领域的句法和语义相似性。在子任务5.1 -微博和子任务5.2 -新闻标题中,所得到的余弦相似度得分分别为0.69和0.68。
2017-04-17 cs.CL cs.IR
Predicting US State-Level Agricultural Sentiment as a Measure of Food Security with Tweets from Farming Communities
Stanford University(斯坦福大学)
在相关数据可能稀少的发展中地区,获得准确的粮食安全指标的能力对于负责实施粮食援助计划的政策制定者至关重要。因此,大量的工作致力于预测重要的粮食安全指标,如使用各种方法,包括模拟,遥感,天气模型和人类专家输入的年度作物产量。作为对现有作物产量预测技术的补充,这项工作开发了神经网络模型,用于预测来自农业社区的Twitter消息的情绪。具体来说,我们研究了在农业相关推文的小数据集上进行直接学习的潜力,以及从其他领域(例如,政治)来准确预测农业情绪,我们希望这最终将成为一个有用的作物产量预测器。我们发现,从小的相关数据集直接学习优于从大的完全标记的数据集迁移学习,卷积神经网络在Twitter情感分类上广泛优于递归神经网络,并且这些模型在实际设置的三元情感问题上的表现远不如文献中常见的二元问题。
2019-04-25 cs.CL cs.LG cs.SI
Automatic Domain Adaptation Outperforms Manual Domain Adaptation for Predicting Financial Outcomes
Center for Information & Language Processing, LMU Munich(慕尼黑大学信息与语言处理中心);Institute for Finance & Banking, LMU Munich(慕尼黑大学金融与银行研究所)
在本文中,我们自动创建用于预测财务结果的情感词典。我们比较三种方法:(I)领域通用词典H4 N的手动适配,(ii)H4 N的自动适配,以及(iii)由首先手动适配、然后自动适配组成的组合。在我们的实验中,我们证明了自动适应的情绪字典在预测金融结果超额收益和波动性方面优于以前的最新技术。特别地,自动自适应比手动自适应执行得更好。在我们的分析中,我们发现基于专家对单词含义的先验信念的注释可能是不正确的-注释应该基于目标域中单词的上下文来执行。
2020-06-25 cs.CL
Sentiment Analysis of Twitter Data for Predicting Stock Market Movements
Indian Institute of Technology, Bhubaneswar(布巴内斯瓦尔印度理工学院);G.G Vishwavidyalaya, Central University(G.G大学(中央大学))
预测股票市场走势是一个众所周知的有趣问题。如今的社交媒体完美地代表了公众对当前事件的情绪和看法。特别是twitter在研究公众情绪方面吸引了众多研究者的关注。根据公众在twitter上表达的情绪来预测股市一直是一个有趣的研究领域。先前的研究已经得出结论,从Twitter收集的公众情绪很可能与道琼斯工业平均指数(DJIA)相关。这项工作的论文是观察一家公司的股票价格的变化,上涨和下跌,与公众对该公司的推文中表达的意见有多相关。情感分析的目的是从文本中理解作者的观点。本文采用Word 2 vec和N-gram两种不同的文本表示方法来分析推文中的公众情绪。在本文中,我们应用情感分析和监督机器学习原则,从twitter上提取的推文,并分析了一家公司的股票市场走势和推文中的情感之间的相关性。在一个精心设计的方式,积极的新闻和社交媒体上关于一家公司的推文肯定会鼓励人们投资该公司的股票,因此该公司的股价会上涨。文章最后指出,股票价格的涨跌与推文中的公众情绪之间存在很强的相关性。
2016-10-28 cs.CL cs.IR cs.SI
Predicting stock prices with ChatGPT-annotated Reddit sentiment
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
本研究针对社交媒体情感能否预测股价的问题,提出经ChatGPT标注微调的RoBERTa情感分析模型,分析Reddit板块中GME和AMC相关讨论,发现社交媒体情感与股价弱相关,评论量、搜索趋势等简单指标预测性更强。
2025-07-21 cs.AI cs.CL cs.SI
Trading the Twitter Sentiment with Reinforcement Learning
本文旨在探讨使用替代数据和人工智能技术进行股票交易的可能性。使用机器学习方法检验了每日Twitter情绪对预测股票收益率的有效性。应用强化学习(Q学习)以基于情绪信号生成最优交易策略。如果股价是由公司增长的预期驱动的,并且公司发生了引起公众关注的重大事件,则情绪信号的预测能力更显着。基于强化学习的最优交易策略优于基于机器学习预测的交易策略。
2018-01-07 cs.AI cs.CL cs.SI
Potential of ChatGPT in predicting stock market trends based on Twitter Sentiment Analysis
本研究探究ChatGPT能否通过Twitter情感分析预测微软、谷歌股价,发现其评估与两家公司后续股价呈正相关,丰富了对ChatGPT适应性的认知并凸显AI在金融预测的重要性。
2026-08-19 cs.AI cs.CL q-fin.ST
Tehran Stock Exchange Prediction Using Sentiment Analysis of Online Textual Opinions
Shahid Beheshti University(沙希德·贝赫什提大学)
在本文中,我们首次研究了社交媒体数据在预测德黑兰证券交易所(TSE)变量方面的影响。我们考虑了三种不同股票的收盘价和日收益率。我们从Sahamyab.com/stocktwits收集了大约三个月的社交媒体数据。为了从在线评论中提取信息,我们提出了一种混合的情感分析方法,结合了基于词典和基于学习的方法。由于波斯语的词汇是不实用的情绪分析在股票市场域,我们建立了一个特定的情绪词汇,这个域。在使用评论的情绪设计和计算每日情绪指数后,我们研究了它们对仅使用历史市场数据的基线模型的影响,并使用多元回归分析提出了新的预测模型。除了情感,我们还考察了评论量和用户的可靠性。我们的结论是,在东京证交所的各种股票的可预测性是不同的,这取决于他们的属性。此外,我们指出,对于预测收盘价只有评论量和预测每日回报的数量和情绪的评论可能是有用的。我们证明了用户的信任系数对三种股票有不同的行为。
2019-09-27 cs.CL cs.LG q-fin.ST
Exploiting Document Knowledge for Aspect-level Sentiment Classification
National University of Singapore(新加坡国立大学);SAP Innovation Center Singapore(SAP新加坡创新中心)
基于注意力的长短期记忆(LSTM)网络已被证明在方面级情感分类中非常有用。然而,由于注释方面级数据的困难,现有的公共数据集都相对较小,这在很大程度上限制了这些神经模型的有效性。在本文中,我们探讨了两种方法,从文档级数据,这是更便宜的获得知识,以提高方面级的情感分类的性能。我们在SemEval 2014、2015和2016年的4个公共数据集上展示了我们方法的有效性,并表明基于注意力的LSTM以多种方式受益于文档级知识。
2018-06-12 cs.CL
Self-Consistent Reasoning-based Aspect-Sentiment Quad Prediction with Extract-Then-Assign Strategy
Yonsei University(延世大学);University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对ASQP任务中生成式方法预测不精确且可解释性有限的问题,提出基于自洽推理的SCRAP模型,采用先抽取后分配策略与一致性投票机制,显著提升了复杂推理、四元组预测准确性及可解释性。
2024-06-08 cs.CL
Latent Variable Sentiment Grammar
ShanghaiTech University(上海科技大学);Westlake Institute for Advanced Study(西湖高等研究院);Westlake University(西湖大学)
神经模型已经被研究用于成分树上的情感分类。它们通过对树结构进行编码来自动学习短语组合,但不显式地对情感组合进行建模,这需要对情感类标签进行编码。为此,我们研究了两种形式主义与深层情感表示,捕捉情感亚型表达的潜变量和高斯混合向量,分别。在斯坦福情感树库(SST)上的实验表明,情感语法比香草神经编码器更有效。使用ELMo嵌入,我们的方法在这个基准测试中给出了最好的结果。
2019-07-08 cs.CL
Assessing the Efficacy of Clinical Sentiment Analysis and Topic Extraction in Psychiatric Readmission Risk Prediction
McLean Hospital(麦克莱恩医院);Harvard Medical School(哈佛医学院);Brandeis University(布兰迪斯大学)
预测哪些患者更有可能在出院后30天内再次入院,这是临床决策中一个有价值的信息。然而,建立一个成功的再入院风险分类的基础上的电子健康记录(EHR)的内容已被证明是一项具有挑战性的任务。以前探索的功能主要包括结构化的信息,如社会人口学数据,合并症代码和生理变量。在本文中,我们评估纳入额外的临床可解释的NLP为基础的功能,如主题提取和临床情感分析,以预测精神病患者的早期再入院风险。
2019-10-09 cs.CL
Sentiment Analysis of Yelp Reviews: A Comparison of Techniques and Models
University of Waterloo(滑铁卢大学)
我们使用超过350,000 Yelp评论5,000家餐厅进行文本预处理技术的消融研究。我们还比较了几种机器学习和深度学习模型在预测用户情绪(消极、中性或积极)方面的有效性。对于机器学习模型,我们发现使用二进制词袋表示,添加二元语法,施加最小频率约束和规范化文本对模型性能有积极的影响。对于深度学习模型,我们发现使用预训练的词嵌入和限制最大长度通常会提高模型性能。最后,使用宏F1得分作为我们的比较指标,我们发现更简单的模型,如Logistic回归和支持向量机,在预测情绪方面比更复杂的模型,如梯度提升,LSTM和BERT更有效。
2020-04-15 cs.CL cs.IR cs.LG
CARBD-Ko: A Contextually Annotated Review Benchmark Dataset for Aspect-Level Sentiment Classification in Korean
Seoul National University(首尔大学)
本文针对韩语方面级情感分类中的上下文化和幻觉问题,提出包含双重极性标注的CARBD-Ko基准数据集,并采用孪生网络方法解决双重标记极性问题,为方面级情感分类研究提供重要资源。
2024-02-23 cs.CL
MusicMood: Predicting the mood of music from song lyrics using machine learning
Michigan State University(密歇根州立大学)
当代音乐的情感预测在现代社会中有着广泛的应用,例如,为医院或餐馆等公共机构选择音乐,以分别潜在地改善工作人员、患者和客户的情感健康。在这个项目中,音乐推荐系统建立在朴素贝叶斯分类器的基础上,经过训练,仅根据歌词来预测歌曲的情感。实验结果表明,音乐对应于一个快乐的心情可以检测到高精度的基础上获得的文本特征的歌词。
2016-11-01 cs.CL cs.IR cs.LG
SGPT: Semantic Graphs based Pre-training for Aspect-based Sentiment Analysis
Alibaba(阿里巴巴)
先前的研究表明,预训练的语言模型用于情感分析是有效的。然而,这些研究大多忽略了情感信息对于预训练模型的重要性。因此,我们充分研究了预训练模型的情感信息,并使用语义图增强预训练语言模型以进行情感分析。特别地,我们引入了基于语义图的预训练(SGPT),使用语义图来获得方面-情感对和相似方面的同义词知识。情感词。然后,我们用语义图优化预训练的语言模型。对几个下游任务的实证研究表明,该模型优于强预训练基线。实验结果也表明了所提出的语义图对预训练模型的有效性。
2021-05-26 cs.CL
CS-Embed at SemEval-2020 Task 9: The effectiveness of code-switched word embeddings for sentiment analysis
University of Birmingham(伯明翰大学);Birmingham City University(伯明翰城市大学)
社交媒体帖子的情感分析的日益普及和应用自然导致了对以多种语言撰写的帖子的情感分析,这种做法被称为代码切换。虽然最近对代码转换帖子的研究集中在使用多语言词嵌入上,但这些嵌入并没有在代码转换数据上进行训练。在这项工作中,我们提出了在代码切换推文上训练的词嵌入,特别是那些使用西班牙语和英语的推文,称为西班牙式英语。我们探索嵌入空间,以发现它们如何捕捉两种语言中单词的含义。我们通过参加SemEval 2020任务9:~ \emph{Sentiment Analysis on Code-Mixed Social Media Text}来测试这些嵌入的有效性。我们利用它们来训练情感分类器,其F-1得分为0.722。这高于0.656的比赛基线,我们的团队(codalab用户名\emph{francesita})在29个参赛团队中排名第14,击败了基线。
2020-09-07 cs.CL cs.LG cs.NE
Event Outcome Prediction using Sentiment Analysis and Crowd Wisdom in Microblog Feeds
Carnegie Mellon University(卡内基梅隆大学)
近年来,微博源的情感分析引起了人们的极大兴趣。目前的大部分工作集中在推文情感分类。但是,人们并没有做太多的工作来探索诸如twitter这样的社交网络微博中的大众观点(群体智慧)在预测选举辩论等特定事件的结果时的可靠性。在这项工作中,我们调查了群体智慧是否有助于预测此类结果,以及他们的观点是否受到该领域专家的影响。我们在多标签分类领域工作,对推文进行情感分类,并获得人群的意见。然后,这种学习到的情绪被用来预测事件的结果,例如:美国总统辩论获奖者,格莱美奖获奖者,超级碗获奖者。我们发现,在大多数情况下,群众的智慧确实与专家的智慧相匹配,而在他们不匹配的情况下(特别是在辩论的情况下),我们看到群众的意见实际上受到专家意见的影响。
2019-12-11 cs.CL cs.LG cs.SI
Transferable End-to-End Aspect-based Sentiment Analysis with Selective Adversarial Learning
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong(香港中文大学);Tencent AI Lab(腾讯人工智能实验室);Alibaba DAMO Academy(阿里巴巴达摩院);Southern University of Science and Technology(南方科技大学)
联合提取方面和情感可以有效地制定为一个序列标记问题。然而,由于在许多领域中缺乏注释的序列数据,这种制定阻碍了监督方法的有效性。为了解决这个问题,我们首先探索了一个无监督的领域自适应设置这个任务。以往的工作只能利用体貌词和观点词之间的共同句法关系来弥补领域空缺,这对外部语言资源的依赖性很大。为了解决这个问题,我们提出了一种新的选择性对抗学习(SAL)方法来对齐推断的相关向量,自动捕获它们的潜在关系。SAL方法可以动态地学习每个单词的对齐权重,使得更重要的单词可以拥有更高的对齐权重,以实现细粒度(单词级)自适应。大量的实验证明了所提出的SAL方法的有效性。
2019-10-31 cs.CL
Attentional Encoder Network for Targeted Sentiment Classification
Sun Yat-sen University(中山大学)
有针对性的情感分类旨在确定对特定目标的情感倾向。以前的大多数方法都是用RNN和注意力来建模上下文和目标词。然而,RNN很难并行化,并且通过时间截断的反向传播在记住长期模式方面带来了困难。为了解决这个问题,本文提出了一种注意编码器网络(AEN),它避免了递归,并采用基于注意的编码器的上下文和目标之间的建模。我们提出了标签不可靠性问题,并引入标签平滑正则化。我们还将预训练的BERT应用于此任务,并获得了新的最先进的结果。实验和分析表明,我们的模型的有效性和轻量级。
2019-04-01 cs.CL
Optimizing Transformer based on high-performance optimizer for predicting employment sentiment in American social media content
Carnegie Mellon University(卡内基梅隆大学);North Carolina State University(北卡罗来纳州立大学);New York University(纽约大学)
本文基于群智能优化算法改进Transformer模型,用于预测美国社交媒体就业相关文本情绪,实验表明模型准确率显著提升且泛化能力强,为就业决策提供数据支持。
2024-10-09 cs.AI cs.CL
Domain-Invariant Feature Distillation for Cross-Domain Sentiment Classification
Nankai University(南开大学);IBM Research - China(IBM中国研究院)
跨领域情感分类近年来受到了广泛的关注。现有的方法大多集中在学习领域不变的表示在源和目标领域,而很少有人注意到特定领域的信息。尽管领域特定信息的不可传递性,同时学习领域相关表示可以促进领域不变表示的学习。在本文中,我们专注于方面级别的跨领域的情感分类,并提出了提取领域不变的情感特征的帮助下,一个正交的领域相关的任务,即方面检测,这是建立在方面在不同的领域变化很大。我们在三个公开数据集上进行了大量的实验,实验结果证明了我们的方法的有效性。
2019-08-24 cs.CL
Attention Transfer Network for Aspect-level Sentiment Classification
Nanjing University(南京大学)
情感分类(ASC)的目的是检测句子中给定的意见目标的情感极性。在基于神经网络的情感支持向量机方法中,大多数研究都是利用注意力机制来捕获与目标意见相对应的情感词,然后将其聚合为证据来推断目标意见。然而,由于注释的复杂性,方面级数据集的规模都相对较小。数据稀缺性导致注意力机制有时无法关注目标对应的情感词,最终削弱了神经模型的性能。为了解决这个问题,本文提出了一种新的注意力转移网络(ATN),它可以成功地利用资源丰富的文档级情感分类数据集的注意力知识,以提高方面级情感分类任务的注意力能力。在ATN模型中,我们设计了两种不同的方法来转移注意力知识,并在两个ASC基准数据集上进行了实验。大量的实验结果表明,我们的方法始终优于国家的最先进的作品。进一步的分析也验证了ATN的有效性。
2020-10-23 cs.CL
UniMSE: Towards Unified Multimodal Sentiment Analysis and Emotion Recognition
Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
多模态情感分析(MSA)和会话中的情感识别(ERC)是计算机理解人类行为的关键研究课题。从心理学的角度来看,情绪是在短时间内表达情感或感受,而情绪则是在较长时间内形成和保持的。然而,大多数现有的作品分别研究情感和情绪,并没有充分利用两者背后的互补知识。在本文中,我们提出了一个多模态情感知识共享框架(UniMSE),统一MSA和ERC任务的功能,标签和模型。我们在句法和语义层面进行模态融合,并在模态和样本之间引入对比学习,以更好地捕捉情感和情绪之间的差异和一致性。在MOSI、MOSEI、MELD和IEMOCAP四个公共基准数据集上的实验结果表明,该方法与现有方法相比具有一致的性能改进.
2022-11-21 cs.CL
Relational Graph Convolutional Networks for Sentiment Analysis
Amirkabir University of Technology(阿米尔卡比尔理工大学)
本文提出利用关系图卷积网络(RGCNs)结合BERT和RoBERTa等预训练语言模型进行情感分析,有效捕捉实体间复杂关系,并在Amazon和Digikala数据集上验证了其有效性。
2024-04-16 cs.CL cs.LG
A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss
The Chinese University of Hong Kong(香港中文大学)
从用户评论中获取准确的摘要和情感是现代电子商务平台的重要组成部分。评论摘要旨在生成描述评论的关键观点和情感的简明摘要,而情感分类旨在预测指示评论的情感态度的情感标签。为了有效地利用评论摘要和情感分类任务中共享的情感信息,我们提出了一种新的双视图模型,该模型联合提高了这两个任务的性能。在我们的模型中,编码器首先学习一个上下文表示的审查,然后摘要解码器生成一个审查摘要逐字逐句。之后,源视图情感分类器使用编码的上下文表示来预测评论的情感标签,而摘要视图情感分类器使用解码器隐藏状态来预测生成的摘要的情感标签。在训练过程中,我们引入了不一致损失来惩罚这两个分类器之间的不一致。它帮助解码器生成一个摘要,使其与评论具有一致的情感倾向,并帮助两个情感分类器相互学习。在四个不同领域的真实数据集上的实验结果证明了该模型的有效性。
2021-02-02 cs.CL
Powering Comparative Classification with Sentiment Analysis via Domain Adaptive Knowledge Transfer
University of California, Los Angeles(加州大学洛杉矶分校)
我们研究比较偏好分类(CPC),其目的是预测是否存在一个偏好比较两个实体之间在一个给定的句子,如果是这样的话,哪个实体是优于其他。高质量的CPC模型可以显著地有益于比较问答和基于评论的推荐等应用。在现有的方法中,非深度学习方法的性能较差。现有技术的基于图神经网络的ED-GAT(Ma等人,2020)只考虑句法信息,而忽略关键的语义关系和情感的比较实体。我们提出了情感分析增强比较网络(SAECON),它提高了CPC的准确性与情感分析器,学习情感的个人实体通过域自适应知识转移。在CompSent-19上的实验(Panchenko等人,2019)数据集在F1分数上比现有的最佳CPC方法有了显着的改进。
2021-09-07 cs.CL cs.LG
Learning Implicit Sentiment in Aspect-based Sentiment Analysis with Supervised Contrastive Pre-Training
Fudan University(复旦大学)
基于情感分析的情感分析旨在识别产品评论中特定方面的情感极性。我们注意到,大约30%的评论不包含明显的观点词,但仍然传达了清晰的人类感知的情感取向,这被称为隐式情感。然而,最近的神经网络为基础的方法很少关注隐含的情绪中所蕴含的评论。为了克服这个问题,我们采用监督对比预训练的大规模情感标注语料库检索领域内的语言资源。通过将隐式情感表达的表示与具有相同情感标签的那些情感表达对齐,预训练过程导致更好地捕获对评论中的方面的隐式和显式情感取向。实验结果表明,该方法在SemEval2014基准测试中取得了最好的性能,综合分析验证了该方法在学习隐式情感方面的有效性。
2021-11-03 cs.AI cs.CL
Improving Multimodal Sentiment Analysis: Supervised Angular Margin-based Contrastive Learning for Enhanced Fusion Representation
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学)
本文提出基于监督角度间隔的对比学习框架,通过关注同类情感分数差异和单模态重要性,增强多模态情感分析中融合表示的判别力与泛化性。
2023-12-04 cs.CL cs.LG
Learning with Noisy Labels for Sentence-level Sentiment Classification
Southwest Jiaotong University(西南交通大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Beihang University(北京航空航天大学)
深度神经网络(DNN)可以很好地拟合(甚至过拟合)训练数据。如果DNN模型使用带有噪声标签的数据进行训练,并在带有干净标签的数据上进行测试,则模型可能表现不佳。本文研究了带噪声标签的情感分类学习问题。我们提出了一种名为NetAb的新型DNN模型(作为带有Ab-networks的卷积神经网络的简写),用于在训练过程中处理噪声标签。NetAb由两个卷积神经网络组成,一个带有噪声过渡层,用于处理输入的噪声标签,另一个用于预测“干净”标签。我们训练这两个网络,使用它们各自的损失函数在相互加强的方式。实验结果证明了该模型的有效性。
2019-08-31 cs.CL cs.LG
Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Peng Cheng Laboratory(鹏城实验室)
针对ASQP任务标注数据稀缺问题,提出带伪标签评分器的自训练框架,通过过滤不匹配伪标签提升性能,实验证明有效且可用大语言模型替代人工标注。
2024-06-26 cs.AI cs.CL
Zero-shot Aspect-level Sentiment Classification via Explicit Utilization of Aspect-to-Document Sentiment Composition
Research Center for Social Computing and Information Retrieval(社会计算与信息检索研究中心);Faculty of Computing(计算学部);Harbin Institute of Technology(哈尔滨工业大学)
由于方面级情感标签是昂贵的和劳动密集型的获取,zero-shot方面级情感分类提出学习适用于新的领域,而不使用任何注释的方面级数据的分类器。相比之下,带有评级的文档级情感数据更容易访问。在这项工作中,我们实现了zero-shot方面级的情感分类,只使用文档级的评论。我们的关键直觉是,文档的情感表示由该文档所有方面的情感表示组成。在此基础上,我们提出了AF-DSC方法来显式地对评论中的情感成分进行建模。AF-DSC首先学习所有潜在方面的情感表示,然后将方面级情感聚合到文档级情感中,以执行文档级情感分类。通过这种方式,我们获得方面级情感分类器作为文档级情感分类器的副产品。方面级情感分类基准测试的实验结果表明,在文档级情感分类中显式利用情感成分的有效性。我们的模型只有3万个训练数据,优于以前的工作,利用数百万的数据。
2022-09-06 cs.AI cs.CL
Modeling Sentiment Dependencies with Graph Convolutional Networks for Aspect-level Sentiment Classification
Tianjin University(天津大学);Nankai University(南开大学)
体层情感分类旨在区分句子中一个或多个体项上的情感极性。现有的方法大多是在一个句子中独立地建模不同的方面,忽略了不同方面之间的情感依赖关系。然而,我们发现不同方面之间的这种依赖信息可以带来额外的有价值的信息。本文提出了一种基于图卷积网络(GCN)的方面级情感分类模型,该模型能够有效地捕捉句子中多个方面之间的情感依赖关系。我们的模型首先引入双向注意力机制和位置编码来建模每个方面和其上下文词之间的方面特定的表示,然后在注意力机制上使用GCN来捕获句子中不同方面之间的情感依赖。我们在SemEval 2014数据集上评估了所提出的方法。实验表明,我们的模型优于国家的最先进的方法。我们还进行了实验,以评估GCN模块的有效性,这表明不同方面之间的依赖关系是非常有帮助的方面级的情感分类。
2019-06-11 cs.CL cs.LG
Evaluating and explaining training strategies for zero-shot cross-lingual news sentiment analysis
Jožef Stefan Institute(约热夫·斯泰凡研究所);Queen Mary University of London(伦敦玛丽女王大学)
本文研究零样本跨语言新闻情感检测,提出利用段落级信息的新任务目标POA,并对比机器翻译、上下文学习等方法,证明POA能以更低计算开销取得有竞争力的性能提升。
2024-09-30 cs.AI cs.CL
LABR: A Large Scale Arabic Sentiment Analysis Benchmark
Cairo University(开罗大学)
我们介绍了LABR,最大的情感分析数据集的日期为阿拉伯语。它由超过63,000篇书评组成,每一篇都被评为1至5星。我们调查的数据集的属性,并提出其统计。我们探索使用数据集进行两项任务:(1)情感极性分类;(2)评级分类。此外,我们提供了数据集的标准分割,分为训练,验证和测试,用于极性和评级分类,在平衡和不平衡的设置。我们通过对数据集进行全面分析来扩展我们以前的工作。特别是,我们进行了扩展调查的不同分类器通常用于情感极性分类问题。我们还从包含单个和复合情感词的数据集构建了情感词典,并探讨了其有效性。我们公开了数据集和实验细节。
2015-05-03 cs.CL cs.LG
Who Blames or Endorses Whom? Entity-to-Entity Directed Sentiment Extraction in News Text
Soongsil University(崇实大学);UCLA(加州大学洛杉矶分校)
理解新闻文本中谁在指责谁或支持谁是计算社会科学的一个重要研究问题。然而,用于情感分析的传统方法和数据集不适合政治文本领域,因为它们不考虑实体之间表达的情感的方向。在本文中,我们提出了一种新的NLP任务,从给定的新闻文档中识别政治实体之间的定向情感关系,我们称之为定向情感提取。从一个百万级的新闻语料库中,我们构建了一个数据集的新闻句子中的情感关系的政治实体手动注释。我们提出了一种简单但有效的方法来利用预训练的Transformer,它通过预测多个问答任务并结合结果来推断目标类。我们通过分析2016年美国总统大选和COVID-19这两个重大事件中政治实体之间的正面和负面意见,展示了我们提出的方法在社会科学研究问题中的实用性。新提出的问题,数据和方法将促进跨学科的NLP方法和应用的未来研究。
2021-06-22 cs.CL cs.CY cs.IR
Fine-grained Sentiment Classification using BERT
Tribhuvan University(特里布万大学);Institute of Engineering, Tribhuvan University(特里布万大学工程学院)
情感分类是理解人们对产品、服务或主题的感知的重要过程。许多自然语言处理模型已经被提出来解决情感分类问题。然而,他们中的大多数都集中在二进制情感分类。在本文中,我们使用一种名为BERT的有前途的深度学习模型来解决细粒度的情感分类任务。实验表明,我们的模型优于其他流行的模型,没有复杂的架构,这项任务。我们还证明了迁移学习在自然语言处理中的有效性。
2019-10-04 cs.CL cs.LG stat.ML
Enhancing Granular Sentiment Classification with Chain-of-Thought Prompting in Large Language Models
John F Kennedy High school Fremont, USA(约翰·F·肯尼迪高中弗里蒙特分校);Queensland Academy for Science Mathematics and Technology(昆士兰科学数学与技术学院);Research Spark Hub Inc(Research Spark Hub公司)
本文研究利用大语言模型的思维链提示提升应用商店评论的细粒度情感分类,在2000条亚马逊评论上准确率从84%提升至93%,验证了显式推理的有效性。
2025-05-07 cs.CL cs.LG
Interactive Attention Networks for Aspect-Level Sentiment Classification
MOE Key Lab of Computational Linguistics, Peking University(北京大学计算语言学教育部重点实验室);Collaborative Innovation Center for Language Ability(语言能力协同创新中心)
情感层次的情感分类旨在识别特定目标在其上下文中的情感极性。以前的方法已经意识到目标在情感分类中的重要性,并开发了各种方法,其目标是通过生成特定于目标的表示来精确建模其上下文。然而,这些研究往往忽略了目标的单独建模。在本文中,我们认为,目标和上下文都值得特殊对待,需要通过互动学习来学习自己的表征。然后,我们提出了交互式注意力网络(IAN)的上下文和目标的交互式学习的注意力,并分别产生的目标和上下文的表示。通过这种设计,IAN模型可以很好地表示目标及其搭配上下文,这有助于情感分类。SemEval 2014数据集上的实验结果证明了我们模型的有效性。
2017-09-04 cs.AI cs.CL
Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning
East China Normal University(华东师范大学);Georgia Institute of Technology(佐治亚理工学院)
领域自适应情感分类是指在标记的源域上进行训练,以很好地推断未标记的目标域上的文档级情感。大多数现有的相关模型涉及特征提取器和情感分类器,其中特征提取器致力于从两个域学习域不变特征,并且情感分类器仅在源域上训练以指导特征提取器。因此,它们缺乏使用位于目标域中的情感极性的机制。为了通过从目标领域学习情感来改进领域适应的情感分类,我们设计了一种新的深度对抗性相互学习方法,涉及两组特征提取器,领域判别器,情感分类器和标签探测器。域鉴别器使得特征提取器能够获得域不变特征。同时,各组标签探测器通过同级组分类器生成的情感预测,探索目标领域的文档情感极性,指导同组特征提取器的学习。所提出的方法实现了两个组在端到端的方式相互学习。在多个公开数据集上的实验表明,该方法获得了最佳性能,验证了标签探测器相互学习的有效性。
2020-02-01 cs.CL cs.LG
Enhancing Financial Sentiment Analysis via Retrieval Augmented Large Language Models
The University of Adelaide(阿德莱德大学);Columbia University(哥伦比亚大学);Brown University(布朗大学)
针对大语言模型直接用于金融情感分析时预训练目标不匹配、金融文本缺上下文的问题,提出含指令微调模块和检索增强模块的框架,较传统模型及ChatGPT、LLaMA等准确率和F1值提升15%至48%。
2023-11-04 cs.CL q-fin.ST q-fin.TR
A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis
Alibaba Group(阿里巴巴集团)
基于方面的情感分析(ABSA)包括三个基本的子任务:方面术语提取,意见术语提取和方面级情感分类。早期的作品只专注于单独解决这些子任务之一。最近的一些工作集中在解决两个子任务的组合,例如,提取方面术语以及情感极性,或者成对地提取方面和观点术语。最近,已经提出了三重提取任务,即,从句子中提取(体项、观点项、情感极性)三元组。然而,以前的方法无法解决所有的子任务在一个统一的端到端的框架。在本文中,我们提出了一个完整的解决方案ABSA。我们构造了两个机器阅读理解(MRC)问题,并通过共享参数的BERT-MRC模型联合训练来解决所有子任务。我们对这些子任务进行了实验,在几个基准数据集上的结果证明了我们提出的框架的有效性,它显着优于现有的最先进的方法。
2021-04-07 cs.AI cs.CL
Human-Like Decision Making: Document-level Aspect Sentiment Classification via Hierarchical Reinforcement Learning
Soochow University(苏州大学);Alibaba Group(阿里巴巴集团)
最近,神经网络在文档层面的方面情感分类(DASC)上显示出了很好的结果。然而,这些方法往往提供很少的透明度w.r.t.其内在的工作机制,缺乏可解释性。为了模拟人类分析文档中方面情感的步骤,提出了一种新的层次强化学习(HRL)方法。该方法结合了小句选择和选词策略来解决DASC任务中的数据噪声问题。首先,提出了一个高层次的政策,以选择方面相关的条款和丢弃嘈杂的条款。然后,提出了一个低层次的政策,以选择情感相关的话,并删除所选条款内的噪音的话。最后,一个情感评级预测器被设计为提供奖励信号来指导子句和词的选择。实验结果表明,令人印象深刻的有效性,所提出的方法DASC超过国家的最先进的基线。
2019-10-21 cs.AI cs.CL
On the Use of Modality-Specific Large-Scale Pre-Trained Encoders for Multimodal Sentiment Analysis
NTT Corporation(日本电报电话公司)
本文研究了用于多模态情感分析~(MSA)的特定模态大规模预训练编码器的有效性和实现。虽然已经报道了预训练编码器在各个领域的有效性,但传统的MSA方法仅将其用于语言模态,并且尚未研究其应用。本文将大规模预训练编码器产生的特征与传统的启发式特征进行了比较。每个模态使用一个最大的预训练编码器; CLIP-ViT,WavLM和BERT分别用于视觉,声学和语言模态。两个数据集上的实验表明,与特定领域的预训练编码器的方法获得更好的性能比传统的功能在单峰和多峰的情况下。我们还发现使用编码器中间层的输出比使用输出层的输出更好。这些代码可在https://github.com/ando-hub/MSA_Pretrain上获得。
2022-10-28 cs.CL cs.SD eess.AS
Performance Evaluation of Machine Learning Classifiers in Sentiment Mining
Annamalai University(安纳马莱大学)
近年来,机器学习分类器的使用在解决文本分类中的各种问题方面具有重要价值。情感挖掘是一种文本分类方法,根据情感倾向(如积极或消极)对消息进行分类。本文扩展了评估各种分类器性能的思想,以显示其在在线产品评论情感挖掘中的有效性。产品评论来自亚马逊评论。为了评估分类器的性能,使用了各种评估方法,如随机抽样,线性抽样和自助抽样。结果表明,采用自举抽样方法的支持向量机在误分类率方面优于其他分类器和抽样方法。
2014-02-17 cs.CL cs.IR cs.LG
Classification Benchmarks for Under-resourced Bengali Language based on Multichannel Convolutional-LSTM Network
Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);Insight SFI Research Centre for Data Analytics(Insight SFI数据分析研究中心);Data Science Institute(数据科学研究所);National University of Ireland Galway(爱尔兰国立大学戈尔韦分校);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
社交媒体和微博网站的指数级增长不仅为增强表达自由和个人声音提供了平台,而且使人们能够表达反社会行为,如在线骚扰、网络欺凌和仇恨言论。已经提出了许多工作来利用这些数据进行社会和反社会行为分析,文档表征,和情感分析,主要是为高度资源丰富的语言,如英语预测的上下文。然而,有些语言资源不足,例如,南亚语言,如孟加拉语,泰米尔语,阿萨姆语,泰卢固语,缺乏NLP任务的计算资源。在本文中,我们提供了几个分类基准孟加拉语,资源不足的语言。我们准备了三个表达仇恨的数据集,常用的主题,和意见仇恨言论检测,文档分类,和情感分析,分别。我们基于2.5亿篇文章构建了迄今为止最大的孟加拉语词嵌入模型,我们称之为BengFastText。我们进行了三个不同的实验,包括文档分类,情感分析,仇恨言论检测。我们将词嵌入到多通道卷积LSTM(MCv-LSTM)网络中,用于预测不同类型的仇恨言论,文档分类和情感分析。实验结果表明,BengFastText能够准确地从上下文中提取出词语的语义。根据几个基线嵌入模型进行评估,例如,Word 2 Vec和GloVe在文档分类、情感分析和仇恨语音检测的情况下,在5倍交叉验证测试期间分别产生高达92.30%、82.25%和90.45%的F1分数。
2020-04-19 cs.CL cs.LG stat.ML
Leveraging Foreign Language Labeled Data for Aspect-Based Opinion Mining
Posts and Telecommunications Institute of Technology(越南邮电技术学院)
基于方面的观点挖掘是在观点文本的方面层次上识别情感的任务,它包括两个子任务:方面类别提取和情感极性分类。虽然方面类别提取的目的是检测和分类的意见目标,如产品特征,情感极性分类分配一个情感标签,即积极的,消极的,或中性的,每个识别的方面。监督学习方法已被证明可以为这项任务提供更好的准确性,但它们需要标记的数据,这是昂贵的,特别是对于资源贫乏的语言,如越南语。为了解决这个问题,我们提出了一个监督方面为基础的意见挖掘方法,利用标记的数据从外语(英语在这种情况下),这是翻译成越南语的自动翻译工具(谷歌翻译)。由于不同语言中的方面和观点可能由不同的词来表达,因此我们提出使用词嵌入以及其他特征来减少原文和译文之间的词汇差异,从而提高方面类别提取和情感极性分类过程的有效性。我们还介绍了一个注释语料库的方面类别和情感极性提取的餐馆评论在越南,并进行了一系列的实验语料库。实验结果证明了该方法的有效性。
2020-03-15 cs.AI cs.CL cs.IR