Boost Phrase-level Polarity Labelling with Review-level Sentiment Classification
Tsinghua University（清华大学）
对用户评论的情感分析有助于跟踪用户对产品的反应，并为用户提供购买建议。最先进的评论级情感分类技术可以提供90%以上的精确度。然而，现有的短语级情感分析方法只能给出70%~ 80%的情感极性标注精度，这还远远不能令人满意，限制了其在实际应用中的应用。在本文中，我们专注于短语级情感极性标记的问题，并试图弥合短语级和评论级情感分析之间的差距。我们调查的数字星级和文本用户评论的情感取向之间的不一致。虽然它们一直被视为相同的，这是一个基本的假设，在以前的工作，我们发现，这个假设不一定是正确的。我们进一步建议利用评论级情感分类的结果，使用一种新的约束凸优化框架来提高短语级极性标记的性能。此外，该框架能够集成各种信息源和算法，并由于其凸性而给出全局最优解。对英文和中文评论的实验结果表明，我们的框架实现了高达89%的高标记准确率，这比当前方法有了显着的改进。
2015-02-11 cs.AI cs.CL
Unsupervised Key-phrase Extraction and Clustering for Classification Scheme in Scientific Publications
Ericsson AB（爱立信公司）；Uppsala University（乌普萨拉大学）
已经探索了几种方法来自动化系统映射（SM）和系统评价（SR）方法的一部分。挑战通常围绕文本语义理解的差距以及缺乏弥合这一差距所需的领域和背景知识而演变。在本文中，我们研究可能的方法自动化部分SM/SR过程，即提取关键字和关键短语从科学文献中使用无监督的方法，然后使用语义关键短语聚类技术作为基础，构建相应的分类方案。具体而言，我们探讨了集成分数测量在关键短语提取中的作用，我们探讨了基于语义网络的词嵌入在短语语义的嵌入表示中的作用，最后我们还探讨了如何使用聚类来对相关的关键短语进行分组。评估是在与“可解释的人工智能”领域有关的出版物数据集上进行的，我们使用标准的公开数字图书馆和索引术语（关键词）集构建了该数据集。实验结果表明：集成排序得分确实提高了关键词提取的性能。基于ConceptNet语义网络的基于语义网络的词嵌入与上下文化的词嵌入具有相似的性能，但是前者的计算效率更高。最后，在术语级进行语义关键词聚类，可以将相似的术语聚集在一起，从而适合于分类方案。
2021-02-08 cs.CL
Cue Phrase Classification Using Machine Learning
提示短语可以在语篇意义上明确地表示语篇结构，也可以在语义意义上传达语义信息而不是结构信息。在利用话语结构的自然语言处理系统中，将提示短语正确地分类为话语或非话语是至关重要的，例如，用于执行诸如照应解析和计划识别的任务。本文探讨了使用机器学习分类提示短语作为话语或话语。两个机器学习程序（Ccludel和C4.5）被用来从文本和语音中的预先分类的提示短语及其特征的集合中归纳分类模型。机器学习被证明是一种有效的技术，不仅可以自动生成分类模型，而且可以改进以前的结果。与文献中已经存在的手动导出的分类模型相比，学习模型通常具有更高的准确性，并包含对数据的新语言见解。此外，自动构建分类模型的能力使得比较分析数据的替代特征表示的效用变得更容易。最后，易于再培训使得学习方法比手动方法更具可扩展性和灵活性。
1996-09-09 cmp-lg cs.CL
Fine-tuning Tree-LSTM for phrase-level sentiment classification on a Polish dependency treebank. Submission to PolEval task 2
Institute of Philosophy and Sociology, Polish Academy of Sciences（波兰科学院哲学与社会学研究所）；University of Warsaw（华沙大学）
我们描述了Child-Sum Tree-LSTM深度神经网络（Tai et al，2015）的一个变体，它被微调为使用依赖树和形态丰富的语言，使用波兰语的例子。微调包括应用自定义正则化技术（zoneout，由Krueger等人，2016），并进一步适用于Tree-LSTM）以及使用用子词信息增强的预训练的词嵌入（Bojanowski等人，2016年）。该系统在PyTorch中实现，并作为PolEval竞赛的一部分在短语级情感标签任务上进行评估。
2017-11-03 cs.CL
CCPrefix: Counterfactual Contrastive Prefix-Tuning for Many-Class Classification
Australian AI Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）；eBay Inc.（eBay公司）；Microsoft（微软公司）
最近，提出了前缀调整，以有效地适应预训练的语言模型，以广泛的自然语言分类任务。它利用软前缀作为特定于任务的指标和语言动词作为类别标签提及，以缩小从预训练语言模型的制定差距。然而，当标签空间显著增加时（即，多类分类），由于多类标签由短语言短语中的语义相似的动词表示，因此这种调整技术遭受动词模糊性问题。为了克服这一点，受人类决策过程的启发，最模糊的类将被仔细考虑每个实例，我们提出了一个全新的前缀调整方法，反事实对比前缀调整（CCPrefix），多类分类。基本上，一个依赖于实例的软前缀，来自标签空间中的事实-反事实对，被用来补充多类分类中的语言动词。我们在全监督设置和Few-Shot设置下对多类基准数据集进行了实验，这表明我们的模型优于以前的基线。
2024-02-13 cs.CL
PQ-GCN: Enhancing Text Graph Question Classification with Phrase Features
Nanyang Technological University（南洋理工大学）
提出PQ-GCN方法，通过融入短语特征增强图卷积网络，在低资源设置下优于基线图方法，并以极小参数规模与语言模型方法竞争，为教育场景提供了上下文感知且参数高效的问题分类方案。
2025-06-27 cs.CL
Classifying Cue Phrases in Text and Speech Using Machine Learning
提示短语可以在语篇意义上明确地表示语篇结构，也可以在语义意义上传达语义信息而不是结构信息。本文探讨了使用机器学习分类提示短语作为话语或话语。两个机器学习程序（Ccludel和C4.5）被用来从预分类的提示短语及其特征集合中归纳分类规则。机器学习被证明是一种有效的技术，不仅可以自动生成分类规则，而且可以改进以前的结果。
1994-05-09 cmp-lg cs.CL
Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews
本文提出了一种简单的无监督学习算法，用于将评论分类为推荐（竖起大拇指）或不推荐（竖起大拇指）。评论的分类是通过评论中包含形容词或副词的短语的平均语义取向来预测的。当一个短语具有良好的关联时，它具有积极的语义取向（例如，“微妙的细微差别”）以及当它具有不良关联时的负面语义取向（例如，“非常骑士”）。本文将短语的语义指向计算为给定短语与词“优”之间的互信息减去给定短语与词“差”之间的互信息。如果一个评论的短语的平均语义取向是积极的，则该评论被归类为推荐。该算法在Epperly的410条评论上进行评估时，平均准确率为74%，这些评论来自四个不同的领域（汽车，银行，电影和旅游目的地）。准确率从汽车评论的84%到电影评论的66%不等。
2002-12-11 cs.CL cs.IR cs.LG
Phraseformer: Multimodal Key-phrase Extraction using Transformer and Graph Embedding
University of Tabriz（大不里士大学）；Ayvansaray University（艾万萨雷大学）
背景：关键词抽取是自然语言处理领域的一个热门研究课题。关键字是描述文档中最相关信息的术语。如何高效、准确地从文档中提取核心关键词是研究者面临的主要问题。然而，以前的关键词提取方法都利用了文本和图形特征，缺乏能够正确学习和以最佳方式组合这些特征的模型。方法：在本文中，我们开发了一个多模态的关键短语提取方法，即Phraseformer，使用Transformer和图形嵌入技术。在Phraseformer中，每个关键词候选都由一个向量表示，该向量是文本和结构学习表示的串联。Phraseformer利用了最近的研究，如BERT和ExEm的优点，以保持这两种表示。此外，Phraseformer将关键短语提取任务视为使用分类任务解决的序列标记问题。结果：我们通过F1-score分析了Phraseformer在Inspec，SemEval 2010和SemEval 2017三个数据集上的性能。此外，我们还研究了不同分类器在Inspec数据集上对Phraseformer方法的性能。实验结果证明了Phraseformer方法在三个数据集上的有效性。此外，随机森林分类器在所有分类器中获得最高的F1分数。结论：BERT和ExEm的结合更有意义，更能表征词语的语义。因此，Phraseformer显著优于单模态方法。
2021-06-09 cs.AI cs.CL cs.LG
Towards a Heuristic Categorization of Prepositional Phrases in English with WordNet
本文讨论了PPs自动分类的方法及其基本实现;该主题在NLP中没有像NP和VP那样受到关注。该方法是一个基于规则的算法概述了我们的研究的几个层次。有7个语义类别的PP考虑在本文件中，我们能够从一个注释的语料库进行分类。
2010-02-04 cs.CL
Neural Based Statement Classification for Biased Language
L3S Research Center（L3S研究中心）；Leibniz University of Hannover（莱布尼茨汉诺威大学）
有偏见的语言通常发生在具有争议性的话题周围，从而在讨论的不同参与方之间引发分歧。这是因为语言及其使用，特别是短语的理解和使用，在特定群体中的立场是有凝聚力的。然而，这种凝聚力并不存在于群体之间。在协作环境或需要公正语言的环境中（例如维基百科，新闻媒体），声明和其中的语言应该平等地代表相关各方，并且措辞中立。有偏见的语言是通过煽动性的词语或短语，或可能不正确或片面的陈述，从而违反这种共识。在这项工作中，我们专注于措辞偏见的具体情况下，这可能是通过特定的煽动性词语或短语在声明中介绍。为此，我们提出了一种依赖于递归神经网络的方法，以捕获引入偏见的短语中单词之间的相互依赖关系。我们进行了全面的实验评估，在那里我们显示了基于神经的方法在检测有偏见的语言方面优于依赖单词词典和其他手工制作的功能的竞争对手。我们能够以P=0.92的精度区分有偏见的陈述，从而显著优于基线模型，提高了30%以上。最后，我们发布了最大的带有偏见语言注释的声明语料库。
2018-11-14 cs.CL
Multi-Label Classification of Patient Notes a Case Study on ICD Code Assignment
Ben-Gurion University（本-古里安大学）；Columbia University（哥伦比亚大学）
在电子健康记录的背景下，患者笔记的自动诊断编码是一项有用的任务，但由于代码的数量和患者笔记的长度，这是一项具有挑战性的任务。我们研究了四种模型，用于分配多个ICD代码，从MIMIC II和III的出院总结。我们提出了分层注意GRU（HA-GRU），一个分层的方法来标记一个文件，通过识别每个标签相关的句子。HA-GRU取得了最先进的成果。此外，学习的事件级注意力层突出了模型决策过程，允许更容易的错误分析，并建议未来的改进方向。
2017-11-20 cs.AI cs.CL
SpaDeLeF: A Dataset for Hierarchical Classification of Lexical Functions for Collocations in Spanish
Instituto Politécnico Nacional (IPN)（墨西哥国立理工学院）；Centro de Investigación en Computación (CIC)（计算机研究中心）
本研究构建了西班牙语动词-名词搭配词汇功能层级分类数据集SpaDeLeF，含37类功能的树状层级结构，通过新闻依存分析匹配生成，提供基线与数据划分，填补相关标注数据缺口。
2023-11-07 cs.CL
Fine-grained Intent Classification in the Legal Domain
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
一个法律从业者必须经历许多漫长的法律诉讼。为了了解法律案件中不同当事人/个人行为背后的动机，必须清楚地理解文档中表达与案件对应的意图的部分。在本文中，我们介绍了一个数据集的93个法律文件，属于案件类别的谋杀，土地纠纷，抢劫，或腐败，表达意图的短语相同的文件的类别进行了注释。此外，我们为每个这样的短语注释细粒度的意图，以使读者能够更深入地理解案例。最后，我们分析了几种基于transformer的模型在自动化提取意图短语（粗粒度和细粒度）的过程中的性能，并将文档分类为可能的4个类别之一，并观察到，我们的数据集具有挑战性，特别是在细粒度意图分类的情况下。
2022-05-06 cs.CL cs.IR cs.LG
The DeLiVerMATH project - Text analysis in mathematics
FIZ Karlsruhe/Zentralblatt MATH（FIZ Karlsruhe/Zentralblatt MATH（卡尔斯鲁厄研究中心/数学中央文献库））；FIZ Karlsruhe（卡尔斯鲁厄研究中心（FIZ Karlsruhe））；Zentralblatt MATH（数学中央文献库（Zentralblatt MATH））
高质量的内容分析对于检索功能至关重要，但手动提取关键短语和分类的成本很高。自然语言处理提供了一个框架来自动化这个过程。在这里，一个基于机器的方法进行内容分析的数学文本。提出了一个数学文本关键短语抽取和分类的原型系统。
2013-06-07 cs.CL cs.DL cs.IR
Exploring Fine-Tuned Embeddings that Model Intensifiers for Emotion Analysis
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
像“有点惊讶”、“完全震惊”或“一点也不震惊”这样的形容词短语没有被当前公开的最先进的情绪分类和强度预测系统正确地处理，这些系统使用占主导地位的非上下文化的词嵌入作为输入。基于这一发现，我们分析了这些系统所使用的嵌入在处理这种情况下，他们的能力之间的差异。此外，我们认为，情感词的上下文中的增强需要特殊的处理，建立情感极性分类，但不是更细粒度的情感预测。为了解决这个问题，我们分析了不同方面的后处理管道，丰富了这些短语的单词表示。这包括在短语层面和子词层面上扩展语义空间，然后对情感词汇进行改造。我们使用A La Carte和Bag-of-Substrings扩展来评估这些步骤的影响，这些扩展基于预训练的GloVe，Word 2 vec和fastText嵌入，针对包含我们的焦点短语的推文的强度注释的众包语料库。我们表明，基于fastText的模型不会从处理这些特定的短语中获益。对于Word 2 vec嵌入，我们证明了我们的后处理管道在密集填充增强器的新型数据集上将结果提高了8%。
2019-04-05 cs.CL
Finding Black Cat in a Coal Cellar -- Keyphrase Extraction & Keyphrase-Rubric Relationship Classification from Complex Assignments
内容和开放式问题的多样性是在线研究生课程复杂任务所固有的。这些计划的自然规模在同行和专家反馈（包括流氓评论）中提出了各种挑战。虽然确定相关内容并将其与预定义的规则相关联将简化和改进评分过程，但迄今为止的研究仍处于初期阶段。因此，在本文中，我们的目标是量化的有效性的监督和无监督的方法的任务，关键词提取和通用/特定的关键词-标题关系提取。通过这项研究，我们发现，（i）无监督MultiPartiteRank产生最好的关键词提取结果（ii）有监督的SVM分类器与BERT功能，提供最好的性能为通用和特定的关键词-标题关系分类。最后，我们提出了一个全面的分析，并得出有益的意见，为那些有兴趣在这些任务的未来。源代码在\url{https://github.com/manikandan-ravikiran/cs6460-proj}中发布。
2020-04-24 cs.CL cs.CY cs.LG
Task Selection and Assignment for Multi-modal Multi-task Dialogue Act Classification with Non-stationary Multi-armed Bandits
Imperial College London（伦敦帝国理工学院）；Technical University of Munich（慕尼黑工业大学）；The University of Tokyo（东京大学）
本文针对多模态多任务对话行为分类中随机选任务可能有害的问题，提出基于非平稳多臂老虎机与折扣汤普森采样的任务选择分配方法，有效识别任务效用并显著提升分类性能。
2024-01-11 cs.AI cs.CL
Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference
Center for Information and Language Processing, LMU Munich（慕尼黑大学信息与语言处理中心）；Sulzer GmbH（苏尔寿有限公司）
一些NLP任务可以通过提供具有自然语言的“任务描述”的预训练语言模型（例如，Radford等人，2019年）。虽然这种方法的表现不如其监督对应，但我们在这项工作中表明，这两个想法可以结合起来：我们引入了模式开发训练（PET），这是一种半监督训练过程，将输入示例重新表述为完形填空风格的短语，以帮助语言模型理解给定的任务。然后，这些短语被用来为大量未标记的示例分配软标签。最后，对所得训练集执行标准监督训练。对于几个任务和语言，PET在低资源环境中的表现远远优于监督训练和强半监督方法。
2021-01-25 cs.CL
Key-phrase boosted unsupervised summary generation for FinTech organization
BITS Pilani（比尔拉科学技术学院皮拉尼分校）；American Express（美国运通）
针对金融科技领域缺乏标注数据的问题，提出利用'行动-对象'对的无监督短语摘要生成方法，通过上下文指标评估，显著优于基线，并已在Amex部署。
2023-10-16 cs.AI cs.CL
Assessment of contextualised representations in detecting outcome phrases in clinical trials
University of Liverpool（利物浦大学）
使用机器学习自动识别临床试验中报告的结果，在加快医疗决策所需证据的获取方面具有巨大的潜力。然而，之前的研究已经承认，不足的培训语料库作为一个挑战的结果检测（OD）任务。此外，几个情境化的表示，如BERT和ELMO在检测各种疾病、基因、蛋白质和化学物质方面取得了无与伦比的成功，然而，同样的结果不能被强调，因为这些模型相对来说在OD任务中的测试和研究不足。我们介绍了“EBM-COMET”，一个数据集，其中300 PubMed摘要专业注释的临床结果。与使用任意结果分类的先前相关数据集不同，我们使用最近发布的分类法中的标签来标准化结果分类。为了提取结果，我们微调了各种预先训练的上下文表示，此外，我们在我们的自定义神经模型中使用冻结的上下文和上下文无关表示，并使用临床信息的词性嵌入和成本敏感的损失函数进行增强。我们对训练模型进行严格的评估，奖励它们正确识别完整的结果短语而不是实体中的单词，即给定结果“收缩压”，只有当模型按顺序预测所有3个单词时，模型才会获得分类分数，否则，它们不会得到奖励。我们观察到我们的最佳模型（BioBERT）达到81.5%的F1，81.3%的敏感性和98.0%的特异性。我们达成了共识，哪些语境化的表示是最适合检测临床试验摘要的结果。此外，我们的最佳模型优于原始EBM-NLP数据集排行榜上公布的分数。
2022-03-13 cs.CL cs.LG
On the Interplay Between Fine-tuning and Composition in Transformers
University of Chicago（芝加哥大学）
预训练的Transformer语言模型在各种NLP任务上表现出卓越的性能。然而，最近的研究表明，这些模型中的短语级表征反映了词汇内容的严重影响，但缺乏证据的复杂，成分短语信息。在这里，我们调查的影响微调的上下文嵌入捕捉词汇内容以外的短语含义信息的能力。具体来说，我们微调了具有高词汇重叠的对抗性释义分类任务和情感分类任务的模型。微调后，我们分析了短语表示在控制设置之前的工作。我们发现，微调在很大程度上未能使这些表示中的组合性受益，尽管对情绪的训练对某些模型产生了较小的局部益处。在后续分析中，我们确定了释义数据集中的混淆线索，这可能解释了该任务缺乏组合物的好处，我们讨论了情感训练的本地化好处的潜在因素。
2021-06-01 cs.CL
Generating Hierarchical Explanations on Text Classification via Feature Interaction Detection
University of Virginia（弗吉尼亚大学）
为神经网络生成解释对于它们在现实世界中的可靠性和可信度方面的应用已经变得至关重要。在自然语言处理中，现有的方法通常只提供从输入文本中选取的词或短语作为解释的重要特征，而忽略了它们之间的相互作用。它对人类解释解释并将其与模型预测联系起来提出了挑战。在这项工作中，我们通过检测功能的相互作用建立层次的解释。此类解释可视化了单词和短语如何在层次结构的不同级别组合，这可以帮助用户理解黑盒模型的决策。通过自动和人工评估，在两个基准数据集上使用三个神经文本分类器（LSTM，CNN和BERT）对所提出的方法进行了评估。实验表明，该方法在提供解释，既忠实于模型和人类可解释的有效性。
2020-05-18 cs.CL
Should I visit this place? Inclusion and Exclusion Phrase Mining from Reviews
IIIT-Hyderabad（海得拉巴国际信息技术学院）；Microsoft（微软）
虽然一些自动行程生成服务使旅行计划变得容易，但旅行者往往会发现自己处于无法充分利用旅行的独特情况。游客在许多因素方面有所不同，例如患有残疾，有特定的饮食偏好，与蹒跚学步的孩子一起旅行等。虽然大多数旅游景点都是普遍的，但其他景点可能不适合所有人。在本文中，我们专注于挖掘包含和排除短语与11个这样的因素，从评论相关的旅游景点的问题。虽然现有的工作主要集中在旅游数据采掘的结构化提取的行程相关信息，个性化的情感分析，和自动行程生成，据我们所知，这是第一个工作的纳入/排除短语挖掘旅游评论。使用与1000个旅游景点相关的2000条评论的数据集，我们的广义水平分类器提供了$\sim$ 80和$\sim$ 82的二元重叠F1，以分别将短语分类为包含或排除。此外，我们的包含/排除分类器分别为11类包含和排除分类提供了$\sim$ 98和$\sim$ 97的F1。我们相信，我们的工作可以显着提高自动行程生成服务的质量。
2020-12-18 cs.CL cs.IR
Hierarchical Text Classification with Reinforced Label Assignment
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Peking University（北京大学）；University of Southern California（南加州大学）
虽然现有的分层文本分类（HTC）方法试图捕捉标签层次结构的模型训练，他们要么对每个标签的本地决策或完全忽略的层次信息在推理。为了解决训练和推理之间的不匹配以及以更原则的方式对标签依赖性进行建模，我们将HTC制定为马尔可夫决策过程，并建议通过深度强化学习来学习标签分配策略，以确定在何处放置对象以及何时停止分配过程。所提出的方法Hierarchy以一致的方式在训练和推理时间期间探索层次结构，并做出相互依赖的决策。作为一个通用框架，Hierarchy可以将不同的神经编码器作为端到端训练的基础模型。在五个公共数据集和四个基本模型上的实验表明，Hierarchy在Macro-F1中的平均性能比平面分类器提高了33.4%，并且比最先进的HTC方法有很大的提高。数据和代码可以在https://github.com/morningmoni/HiLAP上找到。
2019-08-27 cs.CL cs.IR cs.LG
Accurate and Well-Calibrated ICD Code Assignment Through Attention Over Diverse Label Embeddings
Instituto Superior Técnico（高等技术学院）；INESC-ID；University of Lisbon（里斯本大学）
本研究提出一种结合Transformer编码器与多样标签嵌入注意力的ICD自动编码方法，在MIMIC-III上超越现有模型，并实现校准良好的分类结果。
2024-02-05 cs.AI cs.CL
A Novel Approach to Document Classification using WordNet
Indian Statistical Institute（印度统计研究所）；Calcutta University（加尔各答大学）
基于内容的文档分类是自由文本挖掘领域面临的最大挑战之一。现有的文本分类算法大多依赖于基于词袋的聚类分析方法。然而，这种方法仍然适用于许多现代科学的困境。它在经济学和社会科学等领域建立了强大的影响力，值得研究人员认真关注。在本文中，我们想提出和探索一种替代接地更安全的字典分类和相关性的单词和短语。预计我们现有的知识的应用程序的基本分类结构可能会导致分类器的性能的改善。
2015-12-12 cs.CL cs.IR
Geographic Question Answering: Challenges, Uniqueness, Classification, and Future Directions
University of California Santa Barbara（加州大学圣巴巴拉分校）
问答（QA）是人工智能的重要组成部分，其目的是对用自然语言表达的问题生成答案。虽然在开放域问答方面已经取得了实质性的进展，但是QA系统仍然在努力回答涉及地理实体或概念并且需要空间操作的问题。本文讨论了地理问答问题。本文首先通过分析地理问题的挑战性来探讨地理问题难答的原因。我们讨论了地理问题的独特性相比，一般的QA。然后，我们回顾现有的工作GeoQA和分类的问题，他们可以解决的类型。在此基础上，我们提供了一个通用的地理问题的分类框架。最后，我们总结了我们的工作，指出独特的未来研究方向GeoQA。
2021-05-19 cs.AI cs.CL
Classification of cancer pathology reports: a large-scale comparative study
University of Florence（佛罗伦萨大学）；Institute for cancer research, prevention and clinical network (ISPRO)（癌症研究、预防与临床网络研究所（ISPRO））
我们报告了最先进的深度学习技术在自动和可解释的ICD-O3地形和形态代码分配到自由文本癌症报告中的应用。我们目前的结果在一个大的数据集（超过80 000标记和1 500 000未标记的匿名报告写在意大利语和收集医院在托斯卡纳超过十年）和大量的类（134形态类和61地形类）。我们比较替代架构的预测精度和可解释性，并表明我们最好的模型实现了90.3%的地形站点分配和84.8%的形态类型分配的多类精度。我们发现，在这种情况下，分层模型并不比平面模型更好，一个元素明智的最大聚合器是网站分类略好于细心的模型。此外，最大聚合器提供了一种解释分类过程的方法。
2020-06-29 cs.CL cs.LG eess.IV
Sentiment analysis and opinion mining on E-commerce site
本文针对电子商务场景下的情感极性分类问题，提出一种广泛的情感对立分类技术，并同时开展句子级和评论级分类实验，为后续情感分析研究提供方向。
2023-07-04 cs.CL cs.LG
