Modeling Rich Contexts for Sentiment Classification with LSTM
Tsinghua University（清华大学）
对tweets和weibo等社交媒体数据进行情感分析已成为一项非常重要且具有挑战性的任务。由于这些数据的内在属性，推文是短的，嘈杂的，并且具有不同的主题，并且对这些数据的情感分类需要对各种上下文进行建模，例如推文的转发/回复历史，以及关于作者和关系的社会上下文。虽然之前很少有研究涉及推文中的上下文建模问题，但本文提出使用分层LSTM来建模推文中的丰富上下文，特别是长距离上下文。实验结果表明，上下文可以帮助我们更好地执行情感分类。
2016-05-05 cs.CL cs.IR cs.SI
Lifelong Learning for Sentiment Classification
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
本文提出了一种新的终身学习（LL）方法的情感分类。LL模仿人类的连续学习过程，即，保留从过去的任务中学到的知识，并将其用于帮助未来的学习。在本文中，我们首先讨论LL一般，然后LL的情感分类特别。所提出的LL方法采用基于随机梯度下降的贝叶斯优化框架。实验结果表明，该方法的性能明显优于基线方法，这表明终身学习是一个有前途的研究方向。
2018-01-09 cs.CL cs.IR cs.LG
Leveraging Sparse and Dense Feature Combinations for Sentiment Classification
Columbia University（哥伦比亚大学）
神经网络是用于诸如情感分析的许多自然语言处理任务的最流行的方法之一。它们通常优于传统的机器学习模型，并在大多数任务上实现最先进的结果。然而，许多现有的深度学习模型是复杂的，难以训练，并且相对于更简单的方法提供有限的改进。我们提出了一个简单，强大和强大的情感分类模型。该模型优于许多深度学习模型，并在情感分析数据集上实现了与其他具有复杂架构的深度学习模型相当的结果。我们在网上发布代码。
2017-08-13 cs.CL cs.IR cs.LG
Persian Sentiment Analyzer: A Framework based on a Novel Feature Selection Method
Isfahan University of Technology（伊斯法罕理工大学）；University of Salford（索尔福德大学）
近十年来，随着互联网和数据库中数字内容的巨大增长，情感分析越来越受到信息检索和自然语言处理研究者的关注。情感分析旨在使用自动化工具从评论中检测主观信息。情感分析的主要挑战之一是特征选择。特征选择被广泛地用作分析和分类任务的第一阶段，通过消除不相关和冗余的特征来降低问题的维数，提高速度。由于目前对情感分析中的特征选择的研究较少，因此对波斯语情感分析的研究更是少之又少。本文考虑了情感分类问题，使用不同的特征选择方法在线客户评论在波斯语。波斯语文本的三个挑战是使用各种各样的变格后缀，不同的单词间距和许多非正式或口语化的单词。在本文中，我们研究了这些挑战，提出了一个模型的情感分类波斯评论文件。该模型基于词形化和特征选择，采用朴素贝叶斯算法进行分类。我们评估了该模型的性能手动收集的手机评论，结果表明所提出的方法的有效性。
2014-12-27 cs.CL cs.IR
Super Characters: A Conversion from Sentiment Classification to Image Classification
Gyrfalcon Technology Inc.（矛隼科技公司）
我们提出了一种名为超级字符的情感分类方法。该方法通过将文本投影到图像中，然后应用CNN模型进行分类，将情感分类问题转化为图像分类问题。文本特征是从生成的超级字符图像中自动提取的，因此不需要将单词或字符嵌入到数字矢量表示中的任何显式步骤。在大型社交媒体语料库上的实验结果表明，在中文、日文、韩文和英文四种不同语言的十个大型社交媒体数据集上，超级字符方法在情感分类和主题分类任务上的表现始终优于其他方法。
2018-10-15 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
Sentiment Analysis of Covid-19 Tweets using Evolutionary Classification-Based LSTM Model
RCC Institute of Information Technology（RCC信息技术学院）；Maulana Abul Kalam Azad University of Technology（毛拉纳·阿布·卡拉姆·阿扎德技术大学）
随着新型冠状病毒疫情在全球各地迅速爆发，并影响数百万人的生活，多个国家宣布全面封锁，以控制疫情的严重程度。在封锁期间，社交媒体平台在全球传播有关疫情的信息方面发挥了重要作用，因为人们习惯通过社交网络表达自己的感受。考虑到这种灾难性的情况，我们开发了一种实验方法来分析人们在Twitter上的反应，直接或间接地基于这种流行病来计算流行词。本文介绍了对收集的大量关于冠状病毒或Covid-19的推文进行的情感分析。首先，我们使用进化分类和n-gram分析来分析公众对新冠肺炎疫情相关话题的情绪趋势。然后，我们根据他们的类别计算了收集到的推文的情感评分。最后，我们使用两种类型的评级推文来训练长短期网络，以预测Covid-19数据的情绪，并获得了84.46%的总体准确率。
2021-06-13 cs.CL cs.IR
USA: Universal Sentiment Analysis Model & Construction of Japanese Sentiment Text Classification and Part of Speech Dataset
Yokohama National University（横滨国立大学）；Pusan National University（釜山国立大学）
本文提出通用情感分析（USA）模型，利用单词与文本间的相互增强效应（MRE）并构建四个SCPOS数据集，在四项任务上超越gpt-3.5-turbo。
2023-09-14 cs.CL
SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification
Arizona State University（亚利桑那州立大学）
社交媒体中的情绪越来越被认为是客户细分，市场理解和解决其他社会经济问题的重要资源。然而，社交媒体中的情绪很难衡量，因为用户生成的内容通常很短，而且不正式。虽然许多传统的情感分析方法已经被提出，识别俚语情感词仍然没有解决。原因之一是俚语情感词在现有的词典或情感词典中不可用。为此，我们建议建立第一个俚语情感词典，以帮助对社交媒体内容进行情感分析。收集和标注一个完整的俚语列表的情感极性是费力和耗时的。我们提出了一种方法，利用网络资源，构建一个广泛的俚语情感词词典（SlangSD），易于维护和扩展。SlangSD可公开用于研究目的。我们经验表明，使用SlangSD，新建成的俚语情感词词典的情感分类的优势，并提供的例子证明其易用性与现有的情感系统。
2016-08-17 cs.CL
Explaining a Neural Attention Model for Aspect-Based Sentiment Classification Using Diagnostic Classification
Delft University of Technology（代尔夫特理工大学）；Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）；Bucharest Univ. of Economic Studies（布加勒斯特经济研究大学）
许多用于基于情感的情感分类（ABSC）的高性能机器学习模型产生黑盒模型，因此几乎不能解释它们如何将特定情感值分类到某个方面。在本文中，我们提出了解释模型，检查的内部动态的一个国家的最先进的神经注意力模型，LCR-Rot-Hop，通过使用一种技术称为诊断分类。我们的诊断分类器是一个简单的神经网络，它评估LCR-Rot-hop模型的内部层是否编码了用于分类的有用单词信息，即，词性、情感值、体关系的存在以及词的体相关情感值。我们的结论是，在LCR-Rot-hop模型的低层编码的部分语音和情感值，而高层表示的方面和方面相关的情感值的话的关系的存在。
2021-03-29 cs.CL
Syntax-Aware Aspect Level Sentiment Classification with Graph Attention Networks
Carnegie Mellon University（卡内基梅隆大学）
方面级情感分类旨在识别给定上下文句子的方面所表达的情感。以前的基于神经网络的方法在很大程度上忽略了一个句子中的句法结构。在本文中，我们提出了一种新的目标依赖图注意力网络（TD-GAT）的方面级别的情感分类，明确利用词之间的依赖关系。使用依赖图，它直接从方面目标的语法上下文传播情感特征。在我们的实验中，我们证明了我们的方法优于GloVe嵌入的多个基线。我们还证明，使用BERT表示进一步大幅提高性能。
2019-09-05 cs.CL
A Statistical Parsing Framework for Sentiment Classification
Beihang University（北京航空航天大学）；Microsoft Research（微软研究院）
在这篇文章中，我们提出了一个统计分析框架，用于情感分类。不同于以往的作品，采用句法分析结果的情感分析，我们开发了一个统计分析器，直接分析句子的情感结构。我们证明了情感分析中的复杂现象（例如，否定、强化和对比）可以以统一和概率的方式与简单和直接的情感表达相同地处理。我们制定的情感语法上上下文无关文法（CFGs），并提供了一个正式的描述的情感分析框架。我们开发的解析模型，以获得可能的情感分析树的句子，从极性模型提出了推导出的情感强度和极性，和排名模型是专门选择最好的情感树。我们训练的解析器直接从句子的例子注释只有情感极性标签，但没有任何句法注释或极性注释的成分在句子内。因此，我们可以很容易地获得训练数据。特别是，我们训练一个情感分析器，S.分析器，从大量的评论句子与用户的评级作为粗略的情感极性标签。在现有基准数据集上进行的大量实验表明，与基线情感分类方法相比，该方法有显着的改进。
2015-03-05 cs.CL
Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
语义级情感分类的目的是识别给定上下文句子对某些方面表达的情感。在本文中，我们介绍了一个关注过度关注（AOA）的神经网络方面的水平情感分类。我们的方法模型方面和句子的联合方式，并明确捕捉方面和上下文句子之间的相互作用。通过AOA模块，我们的模型联合学习方面和句子的表示，并自动关注句子中的重要部分。我们在笔记本电脑和餐厅数据集上的实验表明，我们的方法优于以前的基于LSTM的架构。
2018-04-18 cs.CL
A Convolutional Neural Network for Aspect Sentiment Classification
Beijing University of Technology（北京工业大学）
随着互联网的发展，自然语言处理（NLP）在信息处理中变得至关重要，情感分析是其中的重要任务。情感分析包括方面情感分类。方面情绪可以提供完整和深入的结果，增加方面级别的关注。句子中的不同语境词影响句子的情感极性，而极性因句子中的不同方面而异。比如说，“我买了一台新相机。图像质量很好，但电池寿命太短。'作为例子。如果方面是图片质量，那么预期的情感极性是“积极的”，如果考虑电池寿命方面，那么情感极性应该是“消极的”;因此，当我们探索句子中的方面情感时，方面是很重要的。递归神经网络（RNN）被认为是处理自然语言处理的良好模型，并且RNN在方面情感分类方面具有良好的性能，包括目标依赖LSTM（TD-LSTM），目标连接LSTM（TC-LSTM）（Tang，2015 a，b），AE-LSTM，AT-LSTM，AEAT-LSTM（Wang et al.，2016).关于利用卷积神经网络进行情感分类也有大量的文献，但是关于利用卷积神经网络进行方面情感分类的文献很少。在我们的论文中，我们开发了基于注意力的输入层，其中方面的信息被认为是由输入层。然后，我们将基于注意力的输入层纳入卷积神经网络（CNN），以引入上下文单词信息。在我们的实验中，将方面的信息到CNN提高后者的方面的情感分类性能，而不使用语法分析器或外部情感词典在一个基准数据集从Twitter的，但得到更好的性能相比，其他模型。
2018-07-04 cs.CL
A Hierarchical End-to-End Model for Jointly Improving Text Summarization and Sentiment Classification
Peking University（北京大学）
文本摘要和情感分类都旨在捕捉文本的主要思想，但在不同的层次上。文本摘要是在几个句子内描述文本，而情感分类可以被视为一种特殊类型的摘要，它将文本“概括”成更抽象的方式，即，情感课基于这一思想，我们提出了一个分层的端到端模型，用于文本摘要和情感分类的联合学习，其中情感分类标签被视为文本摘要输出的进一步“摘要”。因此，情感分类层放在文本摘要层上，并导出层次结构。在Amazon在线评论数据集上的实验结果表明，该模型在抽象摘要和情感分类方面都比强基线系统具有更好的性能。
2018-05-30 cs.CL cs.LG
Adversarial Deep Averaging Networks for Cross-Lingual Sentiment Classification
Cornell University（康奈尔大学）
近年来，英语情感分类取得了很大的成功，部分原因是大量的注释资源。不幸的是，大多数语言都没有如此丰富的标记数据。为了解决没有足够注释数据的低资源语言中的情感分类问题，我们提出了一个对抗性深度平均网络（ADAN），将从资源丰富的源语言上的标记数据中学习到的知识转移到资源丰富的语言中。只有未标记数据存在的低资源语言。ADAN有两个区分分支：情感分类器和对抗语言分类器。这两个分支都从共享的特征提取器获取输入，以学习同时指示分类任务和跨语言不变的隐藏表示。中文和阿拉伯文的情感分类实验表明，ADAN显着优于国家的最先进的系统。
2018-08-18 cs.CL
Enhancing Fine-grained Sentiment Classification Exploiting Local Context Embedding
SCNU（华南师范大学）
面向目标的情感分类是自然语言处理的一项细粒度任务，目的是分析目标的情感极性。为了提高情感分类的性能，许多方法提出了各种注意力机制来捕获目标的重要上下文词。然而，以前的方法忽视了目标情绪与当地环境的重要相关性。本文提出了一种局部上下文感知网络（LCA-Net），配备了局部上下文嵌入和局部上下文预测损失，通过强调局部上下文的情感信息来加强模型。在三个常见数据集上的实验结果表明，局部上下文感知网络在提取局部上下文特征方面优于现有方法。此外，局部上下文感知框架易于适应多种模型，具有改进其他目标级任务的潜力。
2021-02-01 cs.CL
Japanese Sentiment Classification using a Tree-Structured Long Short-Term Memory with Attention
Yahoo Japan Corporation（雅虎日本公司）；Graduate School of System Design（系统设计研究生院）；Tokyo Metropolitan University（东京都立大学）
以前训练基于语法的情感分类模型的方法需要短语级注释语料库，这在英语以外的许多语言中并不容易获得。因此，我们建议使用树结构的长短期记忆与注意力机制，注意到每个子树的解析树。实验结果表明，我们的模型达到了最先进的性能在日本的情感分类任务。
2018-09-30 cs.CL
Parameterized Convolutional Neural Networks for Aspect Level Sentiment Classification
Carnegie Mellon University（卡内基梅隆大学）
我们介绍了一种新的参数化卷积神经网络的方面水平的情感分类。使用参数化滤波器和参数化门，我们将方面的信息到卷积神经网络（CNN）。实验表明，我们的参数化过滤器和参数化门有效地捕捉特定于方面的功能，我们的基于CNN的模型在SemEval 2014数据集上取得了优异的结果。
2019-09-13 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
Fusing location and text features for sentiment classification
地理标记的Twitter数据最近被用来推断社交媒体人性化方面的见解。在最近的研究中，人们已经从带有地理标签的twitter数据中挖掘出了与人口统计、文化活动的空间分布、人类的时空旅行轨迹以及幸福感相关的见解。到目前为止，还没有太多的研究已经做了一个推文的地理定位功能对其情绪的影响。这一观察启发了我们提出使用地理位置特征作为执行情感分类的方法。在该方法中，通过将地理位置特征和独热编码词向量连接起来作为卷积神经网络（CNN）和长短期记忆（LSTM）网络的输入来执行地理标记推文的情感分类。以地理位置特征的形式添加与语言无关的特征有助于丰富推文表示，以对抗短推文消息的稀疏性。所取得的结果表明，与单独使用词向量进行情感分类相比，将地理位置特征连接到独热编码词向量可以实现更高的准确性。
2019-07-28 cs.CL cs.IR cs.SI
A Deep Neural Architecture for Sentence-level Sentiment Classification in Twitter Social Networking
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
本文介绍了一种新的深度学习框架，包括一个基于词典的方法，用于情感标签分布的预测级别。我们建议首先应用语义规则，然后使用深度卷积神经网络（DeepCNN）进行字符级嵌入，以增加单词级嵌入的信息。之后，双向长短期记忆网络（Bi-LSTM）从词级嵌入中产生一个全域特征表示。我们在三个Twitter情感分类数据集上评估了我们的方法。实验结果表明，该模型可以提高Twitter社交网络中情感分析的分类准确率。
2017-06-25 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
Linguistically Regularized LSTMs for Sentiment Classification
Tsinghua University（清华大学）
在过去的几十年里，情感理解一直是人工智能的长期目标。本文研究了情感分类问题。尽管最近已经提出了各种神经网络模型，然而，先前的模型要么依赖于昂贵的短语级注释，其性能在仅用短语级注释训练时大幅下降;要么不完全采用语言资源（例如，情感词汇、否定词、强度词），从而不能产生语言上连贯的表示。在本文中，我们提出了用语义级注释训练的简单模型，但也试图通过使用正则化器来生成语言上连贯的表示，这些正则化器对情感词汇、否定词和强度词的语言角色进行建模。结果表明，我们的模型是有效的捕捉情绪，否定和强度词的情绪转移效果，同时仍然获得有竞争力的结果，而不牺牲模型的简单性。
2017-04-25 cs.CL
Sentiment analysis is not solved! Assessing and probing sentiment classification
University of Oslo（奥斯陆大学）
SA的神经方法已经导致了对以前方法的定量改进，但这些进步并不总是伴随着对定性差异的彻底分析。因此，目前尚不清楚情感分析还存在哪些突出的概念挑战。在这项工作中，我们试图发现哪些挑战仍然证明英语情感分类器的问题，并提供一个具有挑战性的数据集。我们收集了一个（Oracle）最先进的情感分类器集合错误分类的句子子集，然后为它们注释了18种语言学和非语言学现象，如否定，讽刺，模态等。数据集可在https://github.com/ltgoslo/assessing_and_probing_sentiment上获得。最后，我们提供了一个案例研究，证明了有用的数据集探测一个给定的情感分类器的性能相对于语言现象。
2019-06-13 cs.CL
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs（雅虎实验室）；University of North Texas（北德克萨斯大学）
情感分类广泛用于产品评论和在线社交媒体，如论坛，Twitter和博客。然而，对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域，包括政治，体育，技术和娱乐，而其他在线社交网站，如论坛和评论网站，这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题（例如，政治、智能手机和体育）或不同的实体（例如，奥巴马、iPhone或谷歌）。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图，这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中，我们制定的问题，在雅虎新闻的新闻文章发表评论的实体特定的情感分类，并提出新的功能，是特定的新闻评论。实验结果表明，我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
A Comparative Study on Linguistic Feature Selection in Sentiment Polarity Classification
University of Pittsburgh（匹兹堡大学）
情感极性分类可能是研究最广泛的主题。它将有意见的文件分类为表达积极或消极的意见。本文使用电影评论数据集，对不同的单一语言特征和这些特征的组合进行了比较研究。我们发现，经典的基于主题的分类器（朴素贝叶斯和支持向量机）不执行以及情感极性分类。我们发现，通过不同语言特征的组合，可以大大提高分类准确率。我们对这些结果给出了合理的解释。
2013-11-04 cs.CL
Thumbs up? Sentiment Classification using Machine Learning Techniques
我们考虑的问题，分类文件，而不是由主题，但由整体情绪，例如，判断评论是正面还是负面。使用电影评论作为数据，我们发现标准的机器学习技术绝对优于人类制作的基线。然而，我们采用的三种机器学习方法（朴素贝叶斯、最大熵分类和支持向量机）在情感分类上的表现不如传统的基于主题的分类。最后，我们研究的因素，使情感分类问题更具挑战性。
2002-05-28 cs.CL cs.LG
INSIGHT-1 at SemEval-2016 Task 4: Convolutional Neural Networks for Sentiment Classification and Quantification
Aylien Ltd.（Aylien有限公司）
本文描述了我们在Twitter中进行情感分析的基于深度学习的方法，作为SemEval-2016任务4的一部分。我们使用一个卷积神经网络来确定情绪并参与所有子任务，即两点，三点和五点尺度的情绪分类和两点和五点尺度的情绪量化。我们在两点尺度的情感分类和量化方面取得了有竞争力的结果，分别排名第五和第四（第三和第二的替代指标），尽管只使用了不包含情感信息的预训练嵌入。我们在三点尺度情感分类上取得了良好的性能，在35个中排名第八，而在五点尺度情感分类和量化上表现不佳。错误分析表明，这是由于模型捕捉负面情绪的表现力较低，以及无法考虑序数信息。我们提出改进建议，以解决这些问题和其他问题。
2016-09-09 cs.CL cs.LG
Sentiment and Sarcasm Classification with Multitask Learning
Instituto Politécnico Nacional（墨西哥国立理工学院）；Nanyang Technological University（南洋理工大学）；Adobe Research（奥多比研究院）
情感分类和讽刺检测都是自然语言处理的重要任务。在表达强烈情感的地方，感伤总是伴随着讽刺。然而，大多数文献认为它们是两个独立的任务。我们认为，讽刺检测的知识也可以有利于情感分类，反之亦然。我们证明了这两个任务是相关的，并使用深度神经网络提出了一个基于多任务学习的框架，该框架对这种相关性进行建模，以提高多任务学习环境中两个任务的性能。在基准数据集中，我们的方法比最新技术的性能高出3-4%。
2019-03-09 cs.CL
Eliminating Sentiment Bias for Aspect-Level Sentiment Classification with Unsupervised Opinion Extraction
Jilin University（吉林大学）；University of Technology Sydney（悉尼科技大学）；University of Washington（华盛顿大学）；University of Maryland（马里兰大学）
语义层情感分类（ALSC）旨在识别句子中特定方面的情感极性。ALSC是基于方面的情感分析中的实用设置，因为不需要意见术语标记，但是它不能解释为什么针对方面导出情感极性。为了解决这个问题，最近的作品微调预训练的Transformer编码器ALSC提取方面为中心的依赖树，可以定位的意见字。然而，诱导的意见词只提供了一个直观的线索，远远低于人类水平的可解释性。此外，预训练的编码器倾向于内化一个方面的内在情感，导致情感偏见，从而影响模型性能。在本文中，我们提出了一个基于跨度的反偏见方面的表示学习框架。该方法首先通过对抗性学习消除方面嵌入中的情感偏见。然后，它通过基于跨度的依赖建模将提取的意见候选者与方面对齐，以突出可解释的意见术语。我们的方法在五个基准上实现了新的最先进的性能，具有无监督意见提取的能力。
2021-09-07 cs.CL
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
Fast and accurate sentiment classification using an enhanced Naive Bayes model
Indian Institute of Technology (BHU)（印度理工学院（贝拿勒斯印度教大学））
我们已经探索了不同的方法来提高情感分析的朴素贝叶斯分类器的准确性。我们观察到，否定处理，字n-gram和特征选择的互信息的结果在一个显着的提高准确性的方法的组合。这意味着可以使用具有线性训练和测试时间复杂度的简单朴素贝叶斯模型来构建高度准确和快速的情感分类器。我们在流行的IMDB电影评论数据集上实现了88.80%的准确率。
2013-09-16 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
Negation Handling in Machine Learning-Based Sentiment Classification for Colloquial Arabic
Jazan University（吉赞大学）
情感分析的一个关键方面是否定处理，其中否定的发生可以翻转句子的情感，并对基于机器学习的情感分类产生负面影响。在阿拉伯语情感分析中，否定的作用仅在有限的程度上被探索，特别是对于阿拉伯语口语。在本文中，作者解决了基于机器学习的情感分类的阿拉伯语口语的否定问题。为此，我们提出了一个简单的基于规则的算法来处理这个问题;规则是根据观察到的许多否定情况来制定的。此外，简单的语言知识和情感词典用于此目的。作者还研究了所提出的算法对不同机器学习算法的性能的影响。所提出的算法给出的结果进行了比较与三个基线模型。实验结果表明，与基线相比，该算法对分类器的准确率、精确率和召回率都有积极的影响。
2021-07-24 cs.CL
Adapting Deep Learning for Sentiment Classification of Code-Switched Informal Short Text
Lahore University of Management Sciences（拉合尔管理科学大学）
如今，大量的短文本正在产生，这些短文本使用受区域语言影响的非标准写作风格。这种非正式和代码转换的内容在标记数据集和语言模型方面资源不足，即使是对于像情感分类这样的流行任务。在这项工作中，我们（1）提出了一个名为MultiSenti的标记数据集，用于代码转换非正式短文本的情感分类，（2）探索从资源丰富的语言中调整资源用于非正式语言的可行性，以及（3）提出了一个基于深度学习的代码转换非正式短文本情感分类模型。我们的目标是在没有任何词汇规范化、语言翻译或语码转换指示的情况下实现这一目标。所提出的模型的性能进行了比较，与现有的三种多语言情感分类模型。结果表明，所提出的模型在一般情况下表现更好，适应基于字符的嵌入产生相同的性能，而计算效率比训练基于单词的特定领域的嵌入。
2020-01-04 cs.CL
JUNLP@Dravidian-CodeMix-FIRE2020: Sentiment Classification of Code-Mixed Tweets using Bi-Directional RNN and Language Tags
Jadavpur University（贾达布尔大学）
情感分析在过去二十年中一直是一个活跃的研究领域，最近，随着社交媒体的出现，对社交媒体文本的情感分析的需求越来越大。由于社交媒体文本不是一种语言，并且在本质上主要是代码混合的，因此传统的情感分类模型无法产生可接受的结果。本文试图解决这一研究问题，并使用双向LSTM与语言标记，以促进情感标记的代码混合泰米尔语文本已从社交媒体中提取。在测试数据上进行评估时，所提出的算法的精确度、召回率和F1分数分别为0.59、0.66和0.58。
2020-10-20 cs.CL
Effect of Text Processing Steps on Twitter Sentiment Classification using Word Embedding
Tennessee State University（田纳西州立大学）；Old Dominion University（欧道明大学）
原始文本的处理是文本分类和情感分析中至关重要的第一步。然而，文本处理步骤通常使用现成的例程和预构建的单词词典来执行，而不针对域、应用和上下文进行优化。本文研究了七种文本处理方案对特定文本域（Twitter）和应用程序（情感分类）的影响。基于跳过语法的词嵌入被开发为包括Twitter口语词、表情符号和主题标签关键词，这些关键词通常由于在传统文学语料库中不可用而被移除。我们的实验揭示了两个常见的文本处理步骤对情感分类的负面影响：1）停止词去除和2）平均词向量来表示单个推文。新的有效步骤1）包括非ASCII表情符号字符，2）从词嵌入中测量词的重要性，3）将词向量聚合到推文嵌入中，以及4）开发线性可分离的特征空间，以优化情感分类管道。文本处理步骤的最佳组合在对具有三个情感标签的14，640条推文进行分类时产生最高的平均曲线下面积（AUC）88.4（+/-0.4）。从上下文驱动的词嵌入中进行的词选择显示，只有推文中最重要的十个词累积产生超过98%的最大准确率。结果表明，数据驱动的选择的重要的话，而不是使用预先建立的单词词典的推文分类的手段。所提出的推文嵌入对几个文本处理步骤是鲁棒的，并且简化了对几个文本处理步骤的需要。
2020-07-25 cs.CL cs.IR cs.LG
Contextual and Position-Aware Factorization Machines for Sentiment Classification
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Yahoo! Research（雅虎研究院）；Huawei Research America（华为美国研究院）
虽然现有的机器学习模型在情感分类方面取得了巨大的成功，但它们通常不会显式地捕获面向情感的单词交互，这可能导致在片段级别（短语或句子）进行细粒度分析的结果不佳。因式分解机为推荐系统提供了一种学习元素交互的可能方法，但由于无法对上下文和单词序列进行建模，它们并不直接适用于我们的任务。在这项工作中，我们开发了两个位置感知的因式分解机，考虑词的相互作用，上下文和位置信息。这些信息被联合编码在一组面向情感的词交互向量中。与传统的词嵌入相比，SWI向量明确地捕获面向情感的词交互，并简化了参数学习。实验结果表明，虽然它们具有与用于文档级分类的最先进方法相当的性能，但它们有利于片段/片段级情感分析。
2018-01-18 cs.CL
Leveraging Sentiment for Offensive Text Classification
University of Groningen（格罗宁根大学）
本文在OLID数据集上利用预训练模型预测情感并训练增强数据集，验证情感信息能提升冒犯性文本分类的整体性能。
2024-12-09 cs.CL
Sentiment Classification of Food Reviews
Stanford University（斯坦福大学）
评论的情感分析是自然语言处理中的一个热门任务。在这项工作中，我们的目标是用两个经过仔细调整的递归神经网络来预测1到5分的食品评论得分。至于基线，我们训练一个简单的RNN分类。然后我们把基线延伸到GRU。此外，我们提出了两种不同的方法来处理高度倾斜的数据，这是一个常见的问题的评论。使用精度评估模型。
2016-09-07 cs.CL
Multitask Learning for Fine-Grained Twitter Sentiment Analysis
Univ. Grenoble Alps（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）
传统的情感分析方法通过分别学习任务来解决三元（3类）和细粒度（5类）分类等问题。我们认为，这样的分类任务是相关的，我们提出了一个多任务的方法，基于一个循环神经网络，共同学习它们的好处。我们的研究展示了多任务模型在这类问题上的潜力，并改进了细粒度情感分类问题的最新结果。
2017-07-12 cs.CL cs.IR cs.LG
TwiSE at SemEval-2016 Task 4: Twitter Sentiment Classification
University of Grenoble-Alpes（格勒诺布尔-阿尔卑斯大学）
本文介绍了“TwiSE”团队参加SemEval 2016挑战赛的情况。具体来说，我们参与了任务4，即“Twitter中的情感分析”，为此我们为子任务A、B、C和D实现了情感分类系统。我们的方法包括两个步骤。在第一步中，我们受到之前版本此类挑战参与者工作的启发，生成并验证用于Twitter情感评估的多种功能集。在第二步中，我们专注于不同子任务的评估措施的优化。为此，我们通过验证任务组织者提供的数据来检查不同的学习策略。在我们的最终提交中，我们对子任务A使用了集成学习方法（堆叠泛化），对其余子任务使用了单一线性模型。在官方排行榜上，我们在子任务A、B、C和D中分别排名9/35、8/19、1/11和2/14。\footnote{We make the code available for research purposes at \url{https://github.com/balikasg/SemEval2016-Twitter\_Sentiment\_Evaluation}.}
2016-06-14 cs.CL cs.IR cs.LG
Learning to Share by Masking the Non-shared for Multi-domain Sentiment Classification
Harbin Institute of Technology（哈尔滨工业大学）
多领域情感分类处理的情况下，标记的数据存在多个领域，但不足以训练有效的情感分类器，跨域工作。因此，充分利用跨领域共享的情感知识对于现实世界的应用至关重要。虽然许多现有的工作试图在高维空间中提取域不变的特征，这些模型未能明确区分共享和私有的文本级别的功能，这在一定程度上缺乏可解释性。基于从文本中删除领域相关的标记将有助于提高其领域不变性的假设，我们首先将原始句子转换为领域不可知的。为此，我们提出了BertMasker网络，它明确地从文本中屏蔽领域相关的词，从这些领域不可知的文本中学习领域不变的情感特征，并使用这些被屏蔽的词来形成领域感知的句子表示。在一个广泛采用的多领域情感分类数据集上的实证实验表明，我们提出的模型在多领域情感分类和跨领域设置上都是有效的，准确率分别提高了0.94%和1.8%。进一步的分析表明，去除那些与领域相关和情感无关的标记会降低文本的领域区分度，导致基于BERT的领域分类器性能下降12%以上。
2021-04-17 cs.CL
FinEntity: Entity-level Sentiment Classification for Financial Texts
Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Monetary Authority（香港金融管理局）
本文针对金融领域缺乏实体级情感分析数据集的问题，提出了名为FinEntity的数据集，标注金融实体跨度及情感，并对BERT、FinBERT和ChatGPT等模型进行基准测试，验证了其在监控加密货币市场的实用价值。
2023-10-19 cs.CL
Revisiting the Importance of Encoding Logic Rules in Sentiment Classification
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
我们分析了不同的情感分类模型在句法复杂的输入（如A-but-B句子）上的性能。这项分析的第一个贡献是解决可重复的研究：为了有意义地比较不同的模型，它们的准确性必须在比传统上报告的随机种子多得多的随机种子上进行平均。通过适当的平均，我们注意到arXiv：1603.06318v4 [cs.LG]中描述的蒸馏模型，它包含了情感分类的显式逻辑规则，是无效的。相比之下，使用上下文化的ELMo嵌入（arXiv：1802.05365v2 [cs.CL]）而不是逻辑规则会产生更好的性能。此外，我们还提供了分析和可视化，展示了ELMo隐式学习逻辑规则的能力。最后，众包分析揭示了ELMo如何在具有模糊情感标签的句子上优于基线模型。
2018-08-23 cs.CL
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
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
Improving Document-Level Sentiment Classification Using Importance of Sentences
Kangwon National University（江原大学）；Konkuk University（建国大学）
以前的研究人员认为情感分析作为一个文档分类任务，其中输入文档被分类到预定义的情感类。尽管文档中有支持情感分析的重要证据的句子，也有不支持的句子，但他们将文档视为一袋句子。换句话说，他们没有考虑到文件中每一句话的重要性。为了有效地确定文档的极性，文档中的每个句子都应该处理不同的重要程度。针对这一问题，提出了一种基于深度神经网络的文档级句子分类模型，通过门机制自动确定文档中句子的重要程度。为了验证我们的新情感分析模型，我们使用电影评论、酒店评论、餐厅评论和音乐评论等四个不同领域的情感数据集进行了实验。在实验中，所提出的模型优于以前的国家的最先进的模型，不考虑文件中的句子的重要性差异。实验结果表明，在文档级情感分类任务中，应该考虑句子的重要性。
2021-03-09 cs.CL
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT（麻省理工学院）
随着Twitter的普及和普及，对推文的情感分析已经成为一个重要的研究领域。然而，对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面，推特缺乏结构，但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点，不同的时代，不同的作者，有着不同的情感价值。在本文中，我们通过利用远程监督收集来自不同地点，时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者，时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系，我们就使用贝叶斯方法将这些变量与更标准的语言特征（如n-gram）结合起来，创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器，表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
Using Self-Organizing Maps for Sentiment Analysis
Indian Institute of Management Indore（印多尔印度管理学院）
Web 2.0服务使人们能够以用户生成内容的形式表达他们的意见，体验和感受。情感分析或意见挖掘涉及根据其积极或消极的极性识别，分类和汇总意见。本文研究了不同的自组织映射（SOM）的实现基于情感的可视化和分类的在线评论的有效性。具体来说，本文实现了SOM算法的监督和无监督学习从文本文件。无监督SOM算法实现基于情感的可视化和分类任务。对于监督式情感分析，使用称为学习向量量化的竞争性学习算法。这两种算法还比较了各自的多通道实现，其中快速粗排序通过之后是一个微调通过。在在线电影评论数据集上的实验结果表明，SOM非常适合于基于情感的分类和情感极性可视化。
2013-09-16 cs.CL cs.IR cs.NE
IndoBERT-Sentiment: Context-Conditioned Sentiment Classification for Indonesian Text
SocialX；Center of Excellence SAKTI, Research Institute Intelligent Business & Sustainable Economy, Telkom University（卓越中心SAKTI，智能商业与可持续经济研究所，Telkom大学）；Biomedical Engineering Study Program, School of Electrical Engineering, Telkom University（生物医学工程研究项目，电气工程学院，Telkom大学）；Research Center for Smart Mechatronics, National Research and Innovation Agency (BRIN)（智能机电一体化研究中心，国家研究与创新署（BRIN））
本文提出IndoBERT-Sentiment模型，通过结合上下文和文本进行情感分类，提升印度尼西亚文本的情感识别准确率。
2026-04-08 cs.CL
kk2018 at SemEval-2020 Task 9: Adversarial Training for Code-Mixing Sentiment Classification
Baidu Inc.（百度公司）
语码转换是一种语言现象，可能发生在多语言环境中，使用者共享一种以上的语言。随着不同语言群体之间交流的日益增多，这种现象也越来越普遍。然而，在这方面的研究和数据很少，特别是在代码混合的情感分类。在这项工作中，来自最先进的单一语言模型ERNIE的域迁移学习在代码混合数据集上进行了测试，令人惊讶的是，实现了强大的基线。此外，使用多语言模型的对抗训练用于获得SemEval-2020任务9印地语-英语情感分类比赛的第一名。
2020-09-09 cs.CL
Effective LSTMs for Target-Dependent Sentiment Classification
Harbin Institute of Technology（哈尔滨工业大学）
目标相关的情感分类仍然是一个挑战：建模的语义相关性的目标与其上下文的话在一个句子。不同的语境词对判断句子对目标语的情感极性有不同的影响。因此，在构建学习系统时，需要整合目标词和上下文词之间的联系。在本文中，我们开发了两个目标相关的长短期记忆（LSTM）模型，其中目标信息被自动考虑。我们在Twitter的基准数据集上评估我们的方法。实证结果表明，使用标准LSTM建模句子表示的效果并不好。将目标信息转化为LSTM可以显著提高分类精度。依赖于目标的LSTM模型在不使用语法解析器或外部情感词典的情况下实现了最先进的性能。
2016-09-29 cs.CL
