SentiFuse: Deep Multi-model Fusion Framework for Robust Sentiment Extraction
University of Louisville（路易斯维尔大学）；Meharry Medical College（梅哈里医学院）
SentiFuse通过多模型融合框架提升情感提取的鲁棒性和准确性，特征级融合在F1分数上取得显著提升。
2026-02-01 cs.AI cs.CL
Sentiment analysis and opinion mining on educational data: A survey
University of Southern Queensland（南昆士兰大学）；Lingnan University（岭南大学）
情感分析又名意见挖掘是最广泛使用的NLP应用程序之一，用于从评论中识别人类意图。在教育部门，意见挖掘被用来听取学生的意见，并从教学上加强他们的学习和教学实践。随着情感注释技术和人工智能方法的进步，学生评论可以在没有太多人为干预的情况下标记他们的情感取向。在这篇评论文章中，（1）我们从四个层面考虑情感分析在教育中的作用：文档级、句子级、实体级和方面级，（2）探索了情感注释技术，包括用于无监督注释的基于词典和基于语料库的方法，（3）讨论了AI在情感分析中的作用，包括机器学习、深度学习和Transformers，（4）提出情感分析对教育程序的影响，以提高教学、决策和评价。教育机构已经广泛投资于建立情感分析工具，并处理学生的反馈，以得出他们的意见和见解。本研究回顾了基于学生反馈的情感分析的应用。探讨了情感分析中的挑战，如多极化、多义、否定词和垃圾意见检测，并讨论了它们在研究领域的发展趋势。最后讨论了情感分析在教育领域的发展方向。
2023-02-08 cs.CL
A More Fine-Grained Aspect-Sentiment-Opinion Triplet Extraction Task
Tencent Inc.（腾讯公司）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Baidu Inc.（百度公司）
体情感三元组提取（ASTE）旨在从句子中提取体词、情感和观点词三元组，并试图为基于体的情感分析（ABSA）提供一个完整的解决方案。然而，ASTE提取的一些三元组是令人困惑的，因为ASTE提取的三元组中的情感是句子对体项表达的情感，而不是体项和观点项对的情感。在本文中，我们介绍了一个更细粒度的情绪-情感-意见三元组提取（ASOTE）任务。ASOTE还提取了方面术语、情感和观点术语三元组。然而，ASOTE提取的三元组中的情感是方面术语和观点术语对的情感。我们基于几个流行的ABSA基准为ASOTE构建了四个数据集。我们提出了一个基于位置感知BERT的框架（PBF）来解决这个问题。PBF首先从句子中提取体词。对于每个提取的方面术语，PBF首先生成方面术语特定的句子表示，同时考虑方面术语的含义和位置，然后提取相关联的意见术语，并预测的方面术语和意见术语对的情感的句子表示的基础上。在四个数据集上的实验结果表明了PBF的有效性。
2021-08-29 cs.CL
Summative Student Course Review Tool Based on Machine Learning Sentiment Analysis to Enhance Life Science Feedback Efficacy
UCLA Chemistry and Biochemistry（加州大学洛杉矶分校化学与生物化学系）；UCLA Center for the Advancement of Teaching（加州大学洛杉矶分校教学促进中心）
机器学习可以开发新的、补充的和授权的工具，这些工具可以扩展现有技术或发明新技术。在教育领域，存在支持通用学生课程复习格式的工具的空间，以组织和概括学生对他们所接触的教学实践的看法。通常情况下，学生的意见收集与一般评论部分，征求他们对他们的课程的感受，而没有投票的课程内容的细节。在这里，我们展示了一种新的方法来总结和组织学生的意见，通过分析他们对课程的情感作为一个功能的语言/词汇来传达他们对一个类及其内容的意见。这一分析来自于他们对课后复习调查结束时遇到的一般性评论部分的答复。这种分析是通过Python、LaTeX和Google的自然语言API完成的，它允许将非结构化文本数据转换为通用和特定主题的子报告，以独特、新颖的方式传达学生的观点。
2023-01-15 cs.CL
Domain-Specific Sentiment Word Extraction by Seed Expansion and Pattern Generation
Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong（香港中文大学）
本文主要研究情感分析的一个基本子任务--领域情感词的自动抽取。大多数以前的工作都使用手动模式来完成此任务。然而，这些方法的性能高度依赖于标记的模式或选择的种子。为了克服上述问题，本文提出了一个自动框架来检测大规模领域特定模式的DSSW提取。为此，情感种子是从大量的用户评论数据集中提取的。随后，这些情感种子使用自举机制通过同义词扩展。同时，建立同义图，并在所建立的同义图上应用图传播算法。然后，自动提取目标词和高排名的情感词之间的句法和顺序关系，构建大规模模式，进一步用于提取DSSW。在三个领域的实验结果表明，我们的方法的有效性。
2013-09-26 cs.CL
A Study of Feature Extraction techniques for Sentiment Analysis
Avinash M National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015. Sivasankar E National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015.
情感分析是指系统地提取主观文本意义的研究。当使用机器学习技术从主观文本中分析情感时，特征提取成为重要的部分。我们对特征提取技术TF-IDF的性能进行了研究（词频-逆文档频率）和Doc 2 vec（文档到向量）使用康奈尔电影评论数据集、UCI情感标记数据集、斯坦福电影评论数据集，通过使用各种预处理，有效地将文本分类为正极性和负极性，处理方法，如消除StopWords和标记化，这在分类器所花费的准确性和时间方面提高了情感分析的性能。在对文本应用特征提取技术之后，使用分类器Logistic回归、支持向量机、K-最近邻、决策树和Bernoulli Nave Bayes对句子进行训练和测试
2019-06-04 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
TDAM: a Topic-Dependent Attention Model for Sentiment Analysis
University of Warwick（华威大学）
我们提出了一个主题相关的注意力模型的情感分类和主题提取。我们的模型假设一个全局主题嵌入是共享的文档，并采用注意力机制，以获得本地主题嵌入的单词和句子。这些随后被纳入一个修改后的门控递归单元（GRU）的情感分类和提取的主题承载不同的情感极性。这些主题是在多任务学习框架的背景下，通过GRU细胞的内部注意力学习到的单词的局部主题嵌入而产生的。在本文中，我们提出了分层架构，新的GRU单元和用户评论进行的实验，展示了分类性能与最先进的方法，情感分类和主题一致性优于目前的方法，监督主题提取。此外，我们的模型能够提取连贯的方面情感集群，尽管没有使用方面级注释进行训练。
2019-08-18 cs.CL cs.LG
Deep Learning versus Traditional Classifiers on Vietnamese Students' Feedback Corpus
学生反馈是收集学生意见、提高培训活动质量的重要来源。对学生反馈数据实施情感分析，我们可以确定表达机构中所有问题的情感极性，因为将应用必要的改变来提高教学质量。本研究以一所大学的越南学生反馈语料库为研究对象，采用机器学习和自然语言处理技术（朴素贝叶斯、最大熵、长短期记忆、双向长短期记忆）对学生的反馈进行研究。最后根据不同的评价标准对模型进行了比较和评价，以找出最有效的模型。实验结果表明，双向长短期记忆算法优于其他三种算法的F1分数测量92.0%的情感分类任务和89.6%的主题分类任务。此外，我们开发了一个情感分析应用程序分析学生的反馈。该应用程序将帮助该机构认识到学生对一个问题的意见，并确定仍然存在的缺点。通过使用该应用程序，机构可以提出适当的方法，以提高未来培训活动的质量。
2019-11-17 cs.CL cs.CY cs.LG
SEntFiN 1.0: Entity-Aware Sentiment Analysis for Financial News
IIM Ahmedabad（印度艾哈迈达巴德管理学院）；Aalto University（阿尔托大学）
本文针对金融新闻标题中多实体情感抽取的挑战，发布了人工标注数据集 SEntFiN 1.0，并提出基于特征的情感抽取框架，实验表明 RoBERTa 和 finBERT 取得最高 94.29% 准确率和 93.27% F1 分数，且验证了情感对市场运动的经济效应。
2023-05-20 cs.AI cs.CL cs.LG
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
PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis
National University of Singapore（新加坡国立大学）；Wuhan University（武汉大学）；The University of Auckland（奥克兰大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
本文提出多模态对话式 ABSI 任务与 PanoSent 基准，通过 Chain-of-Sentiment、Sentica 和复述验证实现全景情感六元组抽取及情感翻转分析。
2024-09-09 cs.AI cs.CL
Boundary-Driven Table-Filling with Cross-Granularity Contrastive Learning for Aspect Sentiment Triplet Extraction
Sun Yat-Sen University（中山大学）；Guangdong University of Technology（广东工业大学）；Guangdong Shuye Intelligent Technology Co., Ltd.（广东数业智能科技有限公司）
针对方面情感三元组抽取中词级交互忽略句级表示的问题，本文提出边界驱动表填充与跨粒度对比学习方法，通过正负样本对对齐句级与词级语义，并结合多尺度多粒度卷积，在公开基准上取得最优F1性能。
2025-02-04 cs.AI cs.CL
Sentiment Analysis Using Collaborated Opinion Mining
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆理工学院）
随着万维网和互联网的普及，意见挖掘和情感分析成为一个新兴的研究领域。观点是指从原始的、庞大的数据中提取出表达观点的句子或短语。另一方面，情感分析识别所提取的意见的极性。在本文中，我们提出了情感分析与意见提取，总结，并跟踪记录的学生。本文对现有的算法进行了改进，以获取学生的合作意见。由此产生的意见表示为非常高、高、中等、低和非常低。本文是基于一个案例研究，教师给他们的意见，学生和通过应用所提出的情感分析算法的意见提取和表示。
2014-01-12 cs.CL cs.IR
Improving Aspect-Level Sentiment Analysis with Aspect Extraction
Singapore Institute of Technology and Design（新加坡科技设计大学）；Edinburgh Napier University（爱丁堡龙比亚大学）；Carnegie Mellon University（卡内基梅隆大学）
基于特征的情感分析（ABSA）是自然语言处理领域的一个研究热点，它包括特征提取（AE）和情感极性特征标注（ALSA）两部分。虽然这两项任务不同，但它们高度相关。这项工作主要假设从预先训练的AE模型中转移知识可以使ALSA模型的性能受益。基于这一假设，在AE期间获得词嵌入，随后将其馈送到ALSA模型。从经验上讲，这项工作表明，增加的信息显着提高了三个不同的基线ALSA模型在两个不同的域的性能。这种改进也可以很好地在AE和ALSA任务之间跨域转换。
2020-05-03 cs.CL
Embarrassingly Simple Unsupervised Aspect Based Sentiment Tuple Extraction
Arizona State University（亚利桑那州立大学）；Georgia Institute of Technology（佐治亚理工学院）
针对低资源领域缺乏标注数据导致监督方法效果减弱的问题，提出一种简单新颖的无监督方法，用于提取句子中方面词对应的意见词及情感极性，并在四个基准数据集上验证了有效性，为意见词挖掘建立了无监督基准。
2024-04-21 cs.CL
Aspect-Based Relational Sentiment Analysis Using a Stacked Neural Network Architecture
Bielefeld University（比勒费尔德大学）
情感分析可以被认为是一个关系抽取问题，其中需要提取一些意见持有者对产品、主题或事件的某个方面的情感。我们提出了一种新的神经结构的情感分析作为一个关系抽取问题，解决这个问题分为三个子任务：i）方面和意见条款的识别，ii）标签的意见条款与情感，和iii）提取意见条款和方面之间的关系。对于每一个子任务，我们提出了一个神经网络为基础的组件，并将它们组合成一个完整的系统的关系情感分析。用于方面和意见术语提取的组件是由堆叠在卷积神经网络之上的递归神经网络组成的混合架构。这种方法的性能优于标准卷积深度神经架构和递归网络架构，并且与其他方法相比，在两个带注释的客户评论数据集上具有竞争力。为了提取个人意见术语的情感，我们提出了一种结合词距离特征的递归架构，并取得了令人满意的结果，其准确率超过了大多数基线的18%，并为USAGE数据集提供了第一个结果。我们的关系抽取组件在方面意见关系抽取方面比当前最先进的组件性能高15%的F-Measure。
2017-09-19 cs.CL
A Unified Model for Opinion Target Extraction and Target Sentiment Prediction
The Chinese University of Hong Kong（香港中文大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；Tencent AI Lab（腾讯人工智能实验室）
基于目标的情感分析涉及到情感目标的提取和情感目标的分类。然而，大多数现有的工作通常研究这两个子任务之一，这阻碍了他们的实际应用。本文旨在解决完整的任务，基于目标的情感分析在一个端到端的方式，并提出了一种新的统一模型，适用于一个统一的标记方案。我们的框架包括两个堆叠的递归神经网络：上层网络预测统一的标签以产生基于主要目标的情感分析的最终输出结果;下层网络执行辅助目标边界预测，旨在指导上层网络提高主要任务的性能。为了探索任务间的依赖关系，我们建议明确地建模从目标边界到目标情感极性的约束转换。我们还建议通过一个门机制来保持意见目标内的情感一致性，该机制对当前单词和前一个单词的特征之间的关系进行建模。我们在三个基准数据集上进行了广泛的实验，我们的框架取得了一致的优异结果。
2019-02-11 cs.CL
A semantically enhanced dual encoder for aspect sentiment triplet extraction
Shandong Normal University（山东师范大学）；Nanjing Normal University（南京师范大学）
针对ASTE中表格填充方法忽视多视角语义的问题，提出融合BERT与Bi-LSTM-GCN双编码器并建模依存、词性和位置信息的框架，在基准数据集上达到最先进性能。
2023-06-14 cs.AI cs.CL
Opinion Transmission Network for Jointly Improving Aspect-oriented Opinion Words Extraction and Sentiment Classification
Nanjing University（南京大学）
基于方面的情感分析（ABSA）的两个高度相关的子任务是面向方面的情感分类（ALSC）和观点词提取（AOWE）。它们分别针对句子中的某个方面检测情感极性并提取相应的意见词。以前的工作将它们分开，并通过在小规模标记数据上训练神经模型来关注其中一个，而忽略了它们之间的联系。在本文中，我们提出了一种新的联合模型，意见传输网络（OTN），利用ALSC和AOWE之间的潜在桥梁，以实现同时促进他们的目标。具体而言，我们设计了两个量身定制的意见传输机制，以控制意见线索的双向流动，分别从ALSC到AOWE和AOWE到ALSC。在两个基准数据集上的实验结果表明，我们的联合模型在这两个任务上的性能优于强基线。进一步的分析也验证了意见传导机制的有效性。
2020-11-01 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
An Aspect Extraction Framework using Different Embedding Types, Learning Models, and Dependency Structure
Boğaziçi University（博加齐大学）
本文提出一种结合多种词嵌入与学习模型、并引入基于依存分析的树位置编码的方面抽取框架，构建了新土耳其语数据集，实验证明其性能优于现有方法。
2025-03-05 cs.CL cs.LG
iACOS: Advancing Implicit Sentiment Extraction with Informative and Adaptive Negative Examples
Brands & Consumers Research Institute, Enbrands Inc.（恩博兰兹公司品牌与消费者研究院）
针对ABSA中含隐式方面与观点的四元组抽取研究不足的问题，提出iACOS方法，通过添加隐式标记、序列标注、多头注意力多标签分类及自适应负样本多任务学习，在两个基准数据集上F1分数显著优于现有基线。
2024-06-22 cs.CL
Indo LEGO-ABSA: A Multitask Generative Aspect Based Sentiment Analysis for Indonesian Language
Institut Teknologi Bandung（万隆理工学院）
针对印尼语缺乏生成式多任务方面级情感分析方案的问题，本研究基于mT5构建Indo LEGO-ABSA模型，采用多任务学习与提示方法，在印尼酒店领域数据集的五类ABSA任务上取得了79.55%-88.09%的F1值。
2023-11-03 cs.AI cs.CL
OATS: Opinion Aspect Target Sentiment Quadruple Extraction Dataset for Aspect-Based Sentiment Analysis
University of Houston（休斯顿大学）；Adobe Research（奥多比研究实验室）
针对现有ABSA基准数据集领域受限、数据粒度不足等问题，本文推出覆盖三个新领域的OATS四元组抽取数据集，并建立初始基线，以助力ABSA的全面研究。
2024-03-06 cs.CL
Targeted aspect based multimodal sentiment analysis:an attention capsule extraction and multi-head fusion network
South China Normal University（华南师范大学）
多模态情感分析目前已经在多个领域中确定了其重要性。出于情感分析的目的，处理和分析与一个目标相对应的区分模态的不同方面。在这项工作中，我们首次提出了有针对性的基于方面的多模态情感分析（TABMSA）。在此基础上，设计了一个用于TABMSA任务的注意胶囊提取和多头融合网络（EF-Net）。分别采用基于多头注意力（MHA）的网络和ResNet-152处理文本和图像。MHA和胶囊网络的集成旨在捕获多模态输入之间的相互作用。除了目标方面之外，还整合了上下文和图像中的信息来传递情感。我们在两个手动注释的数据集上评估了所提出的模型。实验结果表明，我们提出的模型的有效性，这一新的任务。
2021-03-13 cs.CL cs.MM
A Span-level Bidirectional Network for Aspect Sentiment Triplet Extraction
Aerospace Information Research Institute（空天信息创新研究院）；School of Electronic, Electrical and Communication Engineering（电子电气与通信工程学院）；University of Chinese Academy of Sciences（中国科学院大学）
方面情感三元组提取（ASTE）是一种新的细粒度的情感分析任务，旨在从评论句子中提取方面术语，情感和意见术语三元组。近年来，跨级模型利用对所有可能跨的预测，在ASTE任务上取得了令人满意的结果。由于所有可能的跨度都显著增加了潜在方面和观点候选者的数量，因此有效地提取其中的三元组元素是至关重要和具有挑战性的。在本文中，我们提出了一个跨度级的双向网络，利用所有可能的跨度作为输入，并提取三元组跨度双向。具体来说，我们设计的方面解码器和意见解码器解码的跨度表示和提取三元组方面的意见和意见方面的方向。通过这两种解码器的互补，整个网络可以更全面地从跨度中提取三元组。此外，考虑到跨度之间不能保证互斥，设计了相似跨度分离损失，通过在训练过程中扩大相似跨度的KL散度，方便下游区分正确跨度的任务;在推理过程中，采用基于置信度的推理策略，从结果中去除冲突三元组。实验结果表明，我们的框架不仅显着优于国家的最先进的方法，但取得更好的性能，在预测三元组与多令牌实体和提取三元组包含多个三元组的句子。
2022-11-10 cs.AI cs.CL
Learning from students' perception on professors through opinion mining
Laboratorios de Investigación en Inteligencia Artificial y Computación de Alto Desempeño, Analista（Analista人工智能与高性能计算研究实验室）；Fundación Universitaria Konrad Lorenz（康拉德·洛伦兹大学基金会）
通过学生对教学调查的意见来衡量学生对课程的看法，可以发现环境和学习方法方面的不足和问题。本文的目的是研究，通过情感分析，使用自然语言处理（NLP）和机器学习（ML）技术，这些意见，以确定主题是相关的学生，以及通过极性分析预测相关联的情绪。因此，它是实施，训练和测试两种算法来预测相关的情绪以及这些意见的相关主题。这两种方法的组合，然后变得有用，以确定与每个情绪标签（积极，消极或中立的意见）和主题相关联的学生的意见的具体属性。此外，我们探索的可能性，学生的感知调查进行没有封闭的问题，依靠学生可以通过开放式问题，他们表达自己的意见，他们的类提供的信息。
2020-08-25 cs.CL cs.CY cs.NA
Open-Domain Targeted Sentiment Analysis via Span-Based Extraction and Classification
National University of Defense Technology（国防科技大学）；University of Macau（澳门大学）
开放域定向情感分析的目的是从句子中检测出观点目标及其情感极性。先前的工作通常将此任务制定为序列标记问题。然而，这样的公式化遭受诸如巨大的搜索空间和情感不一致的问题。为了解决这些问题，我们提出了一个基于跨度的提取然后分类框架，其中多个意见目标直接从目标跨度边界的监督下，从句子中提取，相应的极性，然后使用其跨度表示进行分类。在此框架下，我们进一步研究了三种方法，即管道，联合和崩溃的模型。在三个基准数据集上的实验表明，我们的方法始终优于序列标记基线。此外，我们发现，管道模型实现了最好的性能相比，其他两个模型。
2019-06-10 cs.CL
Fine-grained Verification via Diagnostic Reasoning Supervision for Aspect Sentiment Triplet Extraction
The Hong Kong Polytechnic University（香港理工大学）；Lingnan University（岭南大学）；Education University of Hong Kong（香港教育大学）
提出FiVeD框架，通过诊断推理监督进行细粒度验证，利用质量评分和错误分类等辅助任务提升ASTE三元组抽取的可靠性。
2026-05-29 cs.AI cs.CL
A Multi-task Learning Framework for Opinion Triplet Extraction
Beijing Institute of Technology（北京理工大学）；University of Padova（帕多瓦大学）
基于情感分析的情感分析（ABSA）方法主要基于检测方面术语及其相应的情感极性，或者基于共同提取方面和观点术语。然而，方面的情感对的提取缺乏意见条款作为参考，而方面和意见条款的共同提取不会导致有意义的对，而不确定其情感依赖。为了解决这个问题，我们提出了一个新的观点ABSA作为一个意见三元组提取任务，并提出了一个多任务学习框架，共同提取方面的条款和意见条款，并同时解析它们之间的情感依赖与biaffine评分。在推理阶段，通过基于上述输出的三元组解码方法来促进三元组的提取。我们评估拟议的框架上的四个SemEval ASBA基准。结果表明，我们的方法显著优于一系列强基线和最先进的方法。
2020-10-31 cs.CL
Entity-Aspect-Opinion-Sentiment Quadruple Extraction for Fine-grained Sentiment Analysis
Meituan（美团）
本文提出实体-方面-观点-情感四元组抽取任务EASQE，将方面词分层分解为实体和方面以避免信息丢失，并构建四个数据集及两阶段序列标注Trigger-Opinion基线框架，实验表明其显著优于现有方法。
2023-11-28 cs.CL
Tell Me Why You Feel That Way: Processing Compositional Dependency for Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE)
University of Hamburg（汉堡大学）；Umeå University（于默奥大学）
情感分析已经从对整个句子的情感进行分类转变为提供句子中存在什么目标、各个目标具有什么情感以及负责该情感的因果词是什么的上下文信息。然而，这导致了对数据集的详细要求，这些数据集需要训练神经网络来完成确定实体、其情感以及该情感的因果词的联合三元组任务。需要这类数据来训练系统是有问题的，因为它们会受到叠加主观注释和域过度拟合的影响，导致在新的环境中应用时模型泛化能力差。随着我们今后试图共同确定其他背景要素，这些问题也可能变得更加复杂。为了缓解这些问题，我们提出了一种混合神经-符号方法，该方法利用依赖树-LSTM的组合情感解析结构和补充符号规则来正确地从句子中提取目标-情感-原因三元组，而不需要三元组训练数据。我们表明，这种方法有可能与最先进的方法保持一致，同时还简化了所需的数据，并通过Tree-LSTM提供了一定程度的可解释性。
2021-03-10 cs.CL
INSIGHT-1 at SemEval-2016 Task 5: Deep Learning for Multilingual Aspect-based Sentiment Analysis
Insight Centre for Data Analytics（数据洞察中心）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）；Aylien Ltd.（Aylien有限公司）
本文描述了我们基于深度学习的多语言基于方面的情感分析方法，作为SemEval 2016任务5的一部分。我们使用卷积神经网络（CNN）进行方面提取和基于方面的情感分析。我们铸造方面提取作为一个多标签分类问题，输出概率方面参数化的阈值。为了确定对一个方面的情感，我们将一个方面向量与每个词嵌入连接起来，并对其应用卷积。（英语不受限制）在所有语言和领域都取得了竞争性的结果，分别在11个语言-领域对中的5个和7个方面类别检测（插槽1）和情感极性（插槽3）中排名第一或第二，从而证明了用于多语言基于方面的情感分析的基于深度学习的方法的可行性。
2016-09-22 cs.CL cs.LG
SentimentLens: Reconciling Sentiment and Ratings via Dual-Modality in the Hospitality Sector
University of Peradeniya（珀拉尼亚大学）
提出SentimentLens系统，基于方面级情感分析从非结构化酒店评论中提取知识，并通过跨模态调和文本情感与数值评分来识别运营冲突和服务改进机会。
2026-05-22 cs.AI cs.CL cs.IR
Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore University of Technology and Design（新加坡科技设计大学）
基于目标的情感分析或基于方面的情感分析（ABSA）是指在细粒度级别上解决各种情感分析任务，其包括但不限于方面提取、方面情感分类和意见提取。存在上述单个子任务或两个子任务的组合的许多求解器，并且它们可以一起工作来讲述完整的故事，即所讨论的方面，对其的情感以及情感的原因。然而，以前的ABSA研究没有试图一次性提供完整的解决方案。在本文中，我们介绍了一个新的子任务下ABSA，命名为方面的情感三元组提取（ASTE）。特别地，该任务的求解器需要从输入中提取三元组（什么、如何、为什么），其示出目标方面是什么、它们的情感极性是如何的以及它们为什么具有这样的极性（即，观点原因）。例如，“服务员非常友好，意大利面只是普通”中的一个三联体可以是（“服务员”，积极，“友好”）。我们提出了一个两阶段的框架来完成这项任务。第一阶段在一个统一的模型中预测什么、如何和为什么，然后第二阶段将第一阶段预测的什么（如何）和为什么配对，输出三元组。在实验中，我们的框架在这个新的三重提取任务中设定了基准性能。与此同时，它优于一些从最先进的相关方法改编的强基线。
2019-11-21 cs.CL
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI cs.CL cs.IR
STAGE: Span Tagging and Greedy Inference Scheme for Aspect Sentiment Triplet Extraction
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Joint Laboratory of HUST and Pingan Property & Casualty Research (HPL)（华中科技大学与平安财产保险研究院联合实验室）；Beijing Institute of Technology（北京理工大学）；Ping An Property & Casualty Insurance company of China, Ltd（中国平安财产保险股份有限公司）
针对现有ASTE模型依赖单词单角色假设和词级交互导致在复杂场景下表现不佳的问题，提出跨度标记与贪心推理方案STAGE，将其转化为多类跨度分类问题，在四个数据集上大幅超越现有最优方法且易于泛化。
2023-04-09 cs.CL
NEU-ESC: A Comprehensive Vietnamese dataset for Educational Sentiment analysis and topic Classification toward multitask learning
College of Technology, National Economics University（经济大学技术学院）
本文提出了面向多任务学习的越南语教育情感与主题分类新数据集NEU-ESC，并使用BERT模型在情感和主题分类任务上分别实现了83.7%和79.8%的准确率。
2025-06-30 cs.AI cs.CL
Soft Prompt Guided Joint Learning for Cross-Domain Sentiment Analysis
Auckland University of Technology（奥克兰理工大学）；University of Tasmania（塔斯马尼亚大学）；Hefei University of Technology（合肥工业大学）；Jilin University of Finance and Economics（吉林财经大学）
特征词提取是细粒度情感分析的一项基本任务，其目的是从对产品或服务的评论中发现客户的意见目标。传统的监督模型在标注数据集上可以取得很好的效果，但是当它们被应用于跨领域的体词提取任务时，性能会显着下降。现有的跨领域迁移学习方法要么直接将语言特征注入到语言模型中，难以将语言知识迁移到目标领域;要么依赖于固定的预定义提示，在所有潜在的方面术语跨度上构造提示是耗时的。针对这一局限性，本文提出了一种基于软学习的跨领域方位词联合提取方法。具体而言，通过结合外部语言特征，所提出的方法通过多个目标来学习源域和目标域之间的域不变表示，从而弥合了具有不同方面术语分布的域之间的差距。此外，所提出的方法插入一组可转移的软提示组成的多个可学习的向量，这是有益的检测方面的条款在目标领域。在基准数据集上进行了大量的实验，实验结果证明了该方法在跨领域体词提取中的有效性。
2023-03-01 cs.AI cs.CL
Efficient Sentiment Analysis: A Resource-Aware Evaluation of Feature Extraction Techniques, Ensembling, and Deep Learning Models
University of South Florida（南佛罗里达大学）
该研究针对NLP研发中忽视资源成本的问题，对文档级情感分析的多类模型开展资源感知对比评估，发现微调LLM准确率最高，但部分替代方案仅损失不到1%的准确率就能大幅节省资源，小数据集下该资源优势更显著。
2024-04-18 cs.CL
Leveraging Deep Neural Networks for Aspect-Based Sentiment Classification
Osaka University（大阪大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对 GCN 直接提取句法特征易丢失关键信息的问题，提出融合 Bi-LSTM、自注意力 transformer、Bi-GCN 消息传递与方面掩码的 EEGCN，并在四个基准上验证其显著提升。
2025-03-17 cs.CL cs.LG
Aspect-Based Sentiment Analysis Using a Two-Step Neural Network Architecture
Bielefeld University（比勒费尔德大学）
万维网以非结构化文本的形式保存了大量信息，例如客户对产品、事件等的评论。通过以细粒度的方式提取和分析客户评论中表达的意见，可以为客户和企业获得宝贵的机会和见解。我们提出了一个基于神经网络的系统来解决基于语义的情感分析的任务，以参加ESWC-2016语义情感分析挑战赛的任务2。我们提出的架构分为两个子任务：方面的长期提取和特定方面的情感提取的任务。这种方法是灵活的，因为它允许独立地处理每个子任务。作为第一步，一个经常性的神经网络是用来提取方面的文本框架的问题作为一个序列标记任务。在第二步中，递归网络根据其上下文处理每个提取的方面，并预测情感标签。该系统使用预训练的语义词嵌入功能，我们实验增强从WordNet中提取的语义知识。从SenticNet中提取的进一步特征被证明有利于情感标签的提取。作为同类中性能最好的系统，我们提出的系统被证明是一种有效的方法，基于情感的情感分析。
2017-09-19 cs.CL
DESS: DeBERTa Enhanced Syntactic-Semantic Aspect Sentiment Triplet Extraction
Department of Computer Science & Engineering, University of Moratuwa（计算机科学与工程系，莫图瓦大学）
针对方面情感三元组提取（ASTE）中准确捕捉方面、观点与情感极性关系的挑战，提出DESS方法，整合DeBERTa增强注意力机制与LSTM双通道处理语义和语法模式，在标准数据集上F1分数显著提升，有效提升细粒度情感分析性能。
2025-11-13 cs.CL
Ensemble Creation via Anchored Regularization for Unsupervised Aspect Extraction
Thoucentric
基于方面的情感分析是可以对文档/句子执行的最细粒度形式的情感分析。除了以更细的粒度提供最多的见解外，它也带来了同样艰巨的挑战。其中之一是缺乏标记数据。为了为当今世界以非常快的速度生成的文本数据带来开箱即用的价值，无监督的基于方面的情感分析使我们能够生成见解，而无需在生成标签上投入时间或金钱。从主题建模方法到最近的基于深度学习的方面提取模型，这个领域已经有了很大的发展。我们改进的模型之一是ABAE，它将句子重建为其中存在的方面术语的线性组合，在这项研究中，我们探索如何使用来自另一个无监督模型的信息来正则化ABAE，从而获得更好的性能。我们将其与基于基线规则的集成进行对比，结果表明集成方法比单个模型更好，基于正则化的集成比基于规则的集成更好。
2022-10-13 cs.CL cs.LG
`Who would have thought of that!': A Hierarchical Topic Model for Extraction of Sarcasm-prevalent Topics and Sarcasm Detection
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；IIT-BHU (Varanasi)（印度理工学院贝纳拉斯印度教大学分校（瓦拉纳西））
主题模型已被报道是有益的方面为基础的情感分析。本文报告了一个简单的主题模型的讽刺检测，第一，尽我们所知。设计的直觉的基础上，讽刺的推文很可能有一个混合的话，这两种情绪对推文与文字的情绪（无论是积极的还是消极的），我们的分层主题模型发现了流行的主题和主题级的情绪。使用使用标签标记的推文数据集，该模型估计主题级别和情感级别的分布。我们的评估表明，“工作”、“枪支法”、“天气”等话题是最受欢迎的话题。我们的模型还能够发现存在于给定情感相关标签的文本中的情感承载词的混合物。最后，我们应用我们的模型来预测推文中的讽刺。我们优于两个先前的工作的基础上统计分类与特定功能，约25%。
2016-11-22 cs.CL
Polarity in the Classroom: A Case Study Leveraging Peer Sentiment Toward Scalable Assessment
在大型或大规模开放式在线课程（MOOC）中对开放式作业进行准确评分并非易事。同行评审是一种很有前途的解决方案，但由于评审员很少和未评估的评审形式，因此可能不可靠。到目前为止，还没有工作1）在同行评审过程中利用情感分析来通知或验证成绩，或者2）利用方面提取来从学生实际交流的内容中制作评审表格。我们的工作利用，而不是丢弃，学生的数据从审查形式的意见，提供更好的信息，教师。在这项工作中，我们详细的过程中，我们创建我们的领域相关的词汇和方面知情的审查形式，以及我们的整个情感分析算法，它提供了一个细粒度的情感分数从文本单独。最后，我们分析的有效性和讨论的结论，从我们的语料库超过6800同行评议，从9门课程，以了解情感在课堂上的可行性，以增加信息和可靠性的评分开放式作业在大型课程。
2021-08-02 cs.CL cs.CY
PABSA: Hybrid Framework for Persian Aspect-Based Sentiment Analysis
Department of CS（计算机科学与信息科技系）；Institute for Advanced Studies in Basic Sciences (IASBS)（基础科学高级研究所）；Zanjan, Iran（伊朗赞詹）
针对波斯语情感分析数据稀缺等问题，提出融合多语言BERT特征与决策树的混合框架PABSA，在Pars-ABSA数据集上达到93.34%准确率，并引入同义词和实体词典增强文本。
2025-10-05 cs.CL cs.LG
If you've got it, flaunt it: Making the most of fine-grained sentiment annotations
University of Oslo（奥斯陆大学）
细粒度的情感分析试图提取情感持有者、目标和极性表达，并解决它们之间的关系，但进展受到注释困难的阻碍。另一方面，有针对性的情感分析是一个更窄的任务，专注于提取情感目标和分类他们的polarity.In本文中，我们探讨是否合并持有人和表情信息可以提高目标提取和分类，并在八个英文数据集上进行实验。我们的结论是，共同预测目标和极性BIO标签提高目标提取，并增加输入文本与黄金的表达一般提高有针对性的极性分类。这突出了为细粒度情感数据集注释表达式的潜在重要性。同时，我们的研究结果表明，目前的模型预测极表达的性能很差，阻碍了这些信息在实践中的好处。
2021-01-30 cs.CL
Train Once for All: A Transitional Approach for Efficient Aspect Sentiment Triplet Extraction
Columbia University（哥伦比亚大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出首个基于转移的联合提取模型，在线性时间内同时处理方面-观点对提取和方面情感三元组提取，并通过对比增强优化提升动作预测准确性，在组合数据集上取得最优F1性能。
2025-02-07 cs.CL
Exploiting Adaptive Contextual Masking for Aspect-Based Sentiment Analysis
Oklahoma State University（俄克拉荷马州立大学）
本文针对ABSA中静态注意力掩码难以适应上下文的问题，提出基于上下文的自适应掩码方法，在四个基准数据集上提升了方面词提取和方面情感分类的准确率与F1分数。
2025-07-17 cs.CL
Bloom-epistemic and sentiment analysis hierarchical classification in course discussion forums
Maranatha Christian University（玛拉拿他基督教大学）
本研究提出BE-Sent分层方法，比较机器学习模型，对课程讨论论坛文本进行情感（正/负/中性）和Bloom认知（六类）分类，成功构建课程学习子系统以评估学生观点。
2024-01-26 cs.CL cs.CY cs.LG
Adversarial Training for Aspect-Based Sentiment Analysis with BERT
University of Parma（帕尔马大学）
基于情感的情感分析（ABSA）处理情感及其目标的提取。为了帮助神经网络更好地泛化，为这项任务收集标记数据可能是费力和耗时的。作为替代方案，可以通过在嵌入空间中执行的对抗过程人工生成与真实世界示例相似的数据。虽然这些例子不是真实的句子，但它们已被证明是一种正则化方法，可以使神经网络更加鲁棒。在这项工作中，我们将Goodfellow et al.（2014）提出的对抗训练应用于Xu et al.（2019）提出的后训练BERT（BERT-PT）语言模型，用于情感分析中的Aspect Extraction和Aspect Sentiment Classification两个主要任务。在通过消融研究改进后训练的BERT的结果之后，我们提出了一种新的称为BERT对抗训练（BAT）的架构，以在ABSA中利用对抗训练。所提出的模型在这两个任务中都优于后训练的BERT。据我们所知，这是第一次在ABSA中应用对抗训练的研究。
2020-10-23 cs.CL cs.LG stat.ML
LexiPers: An ontology based sentiment lexicon for Persian
Sharif University of Technology（谢里夫理工大学）；University of Guilan（吉兰大学）
情感分析是指使用自然语言处理从文本资源中识别和提取主观信息。情感提取的一种方法是使用情感词典。情感词典是与它们所表达的情感取向相关联的词的集合。在本文中，我们描述了一个通用的情感词汇的波斯语的过程。提出了一种基于图的种子选择和扩展方法。情感词典生成，然后映射到一个文档分类问题。我们使用K-最近邻和最近质心方法进行分类。这些分类器已被评估的基础上的一组手标记的同义词。最后的情感词典已产生的最佳分类器。结果表明，在生成的情感词典的准确性和F-措施方面的可接受的性能。
2019-11-13 cs.CL cs.LG
