MACSA: A Multimodal Aspect-Category Sentiment Analysis Dataset with Multimodal Fine-grained Aligned Annotations
Harbin Institute of Technology(哈尔滨工业大学)
多模态细粒度情感分析因其广泛的应用而受到越来越多的关注。然而,现有的多模态细粒度情感数据集大多关注文本中的细粒度元素,而忽略了图像中的细粒度元素,这导致视觉内容中的细粒度元素没有得到应有的充分关注。在本文中,我们提出了一个新的数据集,多模态情感类别情感分析(MACSA)数据集,其中包含超过21 K的文本图像对。该数据集为文本和视觉内容提供细粒度的注释,并首先使用方面类别作为枢轴来对齐两种模态之间的细粒度元素。基于我们的数据集,我们提出了多模态ACSA任务和多模态基于图的对齐模型(MGAM),它采用了细粒度的跨模态融合方法。实验结果表明,我们的方法可以方便的基线比较,为今后的研究在这个语料库。我们将公开数据集和代码。
2022-06-28 cs.CL
Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis
University of Yamanashi(山梨大学);DePaul University(德保罗大学);Hangzhou Dianzi University(杭州电子科技大学)
本文提出增强的层次解缠一致性感知网络(ECAN),通过一致性建模和层次解缠模块,有效解决方面类别情感分析中多类别与情感纠缠问题,达到最先进性能。
2024-03-15 cs.CL
ASAP: A Chinese Review Dataset Towards Aspect Category Sentiment Analysis and Rating Prediction
Meituan(美团);Dalian University of Technology(大连理工大学)
情感分析在电子商务中受到越来越多的关注。用户评论背后的情感极性对于商业智能具有重要价值。方面类别情感分析(ACSA)和评论评级预测(RP)是检测由细到粗的情感极性的两个基本任务。%同时考虑各方面的情感(ACSA)和总体评论评级(RP)有可能提高整体绩效。ACSA和RP高度相关,通常在现实世界的电子商务场景中联合使用。而大多数公共数据集是分别为ACSA和RP构建的,这可能会限制这两个任务的进一步利用。为了解决这一问题并推进相关研究,我们提出了一个大规模的中国餐馆评论数据集\textbf{ASAP},其中包括来自中国领先的在线到离线(O2O)电子商务平台的$46,730$真实评论。除了$5$星级评级之外,每个评论都根据其对$18$预定义方面类别的情感极性进行手动注释。我们希望数据集的发布可以为情感分析领域带来一些启示。此外,我们提出了一个直观而有效的ACSA和RP的联合模型。实验结果表明,联合模型优于国家的最先进的基线上的两个任务。
2021-04-30 cs.CL
Semantic-preserved Augmentation with Confidence-weighted Fine-tuning for Aspect Category Sentiment Analysis
Lingnan University(岭南大学)
本文面向 ACSA 提出结构化 LLM 语义保持数据增强、语义一致性后处理及置信度加权微调,在四个基准上超过全部基线。
2025-06-08 cs.CL
A Multi-Task Incremental Learning Framework with Category Name Embedding for Aspect-Category Sentiment Analysis
NLP Group, Gridsum(格灵深瞳NLP小组)
(T)ACSA任务,包括方面类别情感分析(ACSA)和目标方面类别情感分析(TACSA),旨在识别预定义类别上的情感极性。对新类别的增量学习对于(T)ACSA实际应用是必要的。现有的多任务学习模型在(T)ACSA任务中取得了较好的学习效果,但在(T)ACSA增量学习任务中存在灾难性遗忘问题。为了使多任务学习在增量学习中成为可能,提出了类别名称嵌入网络(CNE-net)。我们将编码器和解码器设置为所有类别共享,以削弱灾难性遗忘问题。除了原始输入句子之外,我们还应用了另一个输入特征,即,类别名称,用于任务区分。我们的模型在两个(T)ACSA基准数据集上达到了最先进的水平。此外,我们提出了一个用于(T)ACSA增量学习的数据集,并与其他强基线相比取得了最佳性能。
2020-10-06 cs.CL stat.ML
The Limits of ChatGPT in Extracting Aspect-Category-Opinion-Sentiment Quadruples: A Comparative Analysis
Brands & Consumers Research Institute, Enbrands Inc.(盈品牌公司品牌与消费者研究院)
本文研究ChatGPT在提取方面-类别-观点-情感四元组任务中的性能边界,通过设计专用提示模板和少样本选择方法,并在四个公开数据集上与最先进模型比较,揭示其能力局限。
2023-10-10 cs.CL
AX-MABSA: A Framework for Extremely Weakly Supervised Multi-label Aspect Based Sentiment Analysis
University of Edinburgh(爱丁堡大学);Huawei Research Centre(华为研究中心)
基于方面的情感分析是一个主要的研究领域,在社交媒体分析,商业,金融和健康方面具有潜在的应用。这方面的先前工作主要基于监督方法,少数技术使用弱监督,仅限于预测每个评论句子的单个方面类别。在本文中,我们提出了一个极弱监督的多标签方面类别情感分析框架,不使用任何标记的数据。我们只依赖于每个类的一个单词作为初始指示信息。我们进一步提出了一个自动选词技术来选择这些种子类别和情感词。我们探索了无监督的语言模型后训练,以提高整体性能,并提出了一个多标签生成器模型,以生成多个方面的类别,每个审查句子的情感对。在四个基准数据集上进行的实验显示,我们的方法明显优于其他弱监督基线。
2022-11-07 cs.CL
Domain Adaptation with Category Attention Network for Deep Sentiment Analysis
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS(中国科学院计算技术研究所智能信息处理重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Search Product Center, WeChat Search Application Department, Tencent(腾讯微信搜索应用部搜索产品中心)
诸如跨域情感分类的领域自适应任务旨在利用源域中现有的标记数据和目标域中的未标记或少量标记数据,通过减少数据分布之间的偏移来提高目标域中的性能。现有的跨领域情感分类方法需要区分枢轴,即,域共享情感词和非枢轴词,即,特定领域的情感词,以获得出色的适应性能。在本文中,我们首先设计了一个类别注意力网络(CAN),然后提出了一个名为CAN-CNN的模型集成CAN和卷积神经网络(CNN)。该模型一方面将主元和非主元看作统一的范畴属性词,能够自动捕获,提高领域自适应性能;另一方面,在可解释性方面进行尝试,学习迁移的范畴属性词。具体来说,我们的模型的优化目标有三个不同的组成部分:1)监督分类损失; 2)类别特征权重的分布损失; 3)域不变性损失。最后,在三个公开的情感分析数据集上对所提出的模型进行了评估,结果表明CAN-CNN可以优于其他各种基线方法。
2021-12-31 cs.CL cs.LG
Generative Sentiment Analysis via Latent Category Distribution and Constrained Decoding
School of Cyber Science and Engineering, Wuhan University(武汉大学网络科学与工程学院);Beijing Rigour Technology Co., Ltd.(北京睿格科技有限公司);School of Cyberspace, Hangzhou Dianzi University(杭州电子科技大学网络空间学院);North China Power Engineering Co., Ltd. of China Power Engineering Consulting Group(中国电力工程顾问集团华北电力工程有限公司)
本文提出一种生成式情感分析模型,通过引入潜在类别分布变量缓解类别语义包含与重叠问题,并利用字典树与受限解码利用结构模式,在ACOS数据集上取得显著性能提升。
2024-07-31 cs.AI cs.CL
GERestaurant: A German Dataset of Annotated Restaurant Reviews for Aspect-Based Sentiment Analysis
University of Regensburg(雷根斯堡大学)
本研究提出包含3078条人工标注德语餐厅评论的GERestaurant数据集,覆盖多类餐厅,标注含隐/显式方面等内容,并提供四项ABSA任务基准,填补德语相关资源空白,助力餐厅领域ABSA研究。
2024-08-15 cs.CL
New Benchmark Dataset and Fine-Grained Cross-Modal Fusion Framework for Vietnamese Multimodal Aspect-Category Sentiment Analysis
Faculty of Information Science and Engineering, University of Information Technology(信息科学与工程学院,信息技术大学);Vietnam National University(越南国家大学)
针对现有ACSA数据集忽略图像细粒度信息的问题,提出了越南语多模态数据集ViMACSA与细粒度跨模态融合框架FCMF,通过有效融合模态内外交互信息,在多项实验中超越SOTA模型并取得79.73%的最高F1分数。
2024-05-01 cs.AI cs.CL
Aspect Category Detection via Topic-Attention Network
University of Tehran(德黑兰大学)
电子商务通过对用户生成的评论进行情感分析,开启了自然语言处理的新趋势。不同的消费者对特定产品或服务的各个方面有不同的关注。体类别检测作为基于体的情感分析的一个子任务,解决了将给定的评论句子分类为一组预定义的体类别的问题。近年来,深度学习方法在包括情感分析在内的自然语言处理的多个分支中带来了革命性的进步。本文提出了一种基于注意力机制的深度神经网络方法来识别给定评论句的不同体类别。我们的模型利用了几个注意力与不同的主题背景下,使它能够参加不同的部分的审查句子的基础上不同的主题。在SemEval workshop发布的餐馆领域的两个数据集上的实验结果表明,我们的方法在这两个数据集上的性能优于现有的方法。可视化的主题注意力权重显示了我们的模型在识别与不同主题相关的词的有效性。
2019-06-21 cs.CL
From Stars to Insights: Exploration and Implementation of Unified Sentiment Analysis with Distant Supervision
Peking University(北京大学);University of Notre Dame(南达科他大学)
本文提出统一情感分析范式及远程监督金字塔网络(DSPN),通过金字塔结构分层捕获词、方面和文档级情感,仅用星级标签即可实现与基准模型相当的性能且具可解释性。
2025-08-13 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
Are You Sure You're Positive? Consolidating Chain-of-Thought Agents with Uncertainty Quantification for Aspect-Category Sentiment Analysis
Manchester Metropolitan University(曼彻斯特 Metropolitan 大学);Autotrader Research Group(Autotrader 研究组);Autotrader UK(Autotrader 英国)
针对新领域标注数据稀缺及监督方法迁移性差的问题,提出结合多个思维链智能体与不确定性量化的技术,在零样本设置中利用大型语言模型提升方面类别情感分析的性能与可迁移性。
2025-08-24 cs.CL cs.IR
Aspect Based Sentiment Analysis with Gated Convolutional Networks
School of Computing and Information Sciences(计算与信息科学学院);Florida International University(佛罗里达国际大学)
基于方面的情感分析(ABSA)可以提供比一般情感分析更详细的信息,因为它的目的是预测文本中给定方面或实体的情感极性。我们总结以前的方法分为两个子任务:方面类别情感分析(ACSA)和方面术语情感分析(ATSA)。以往的方法大多采用长短期记忆和注意力机制来预测关注目标的情感极性,这往往是复杂的,需要更多的训练时间。我们提出了一种基于卷积神经网络和门控机制的模型,它是更准确和有效的。首先,新的门控Tanh-ReLU单元可以根据给定的方面或实体选择性地输出情感特征。该架构比现有模型中使用的注意力层简单得多。其次,我们模型的计算在训练过程中可以很容易地并行化,因为卷积层不像LSTM层那样具有时间依赖性,门控单元也独立工作。在SemEval数据集上的实验证明了模型的有效性。
2018-05-18 cs.CL
Jointly Modeling Aspect and Polarity for Aspect-based Sentiment Analysis in Persian Reviews
University of Tabriz(大不里士大学)
从自然语言文本中识别用户意见已经成为一个令人兴奋的研究领域,由于其在现实世界中的应用越来越多。其研究领域被称为情感分析和分类,其中体类别检测(ACD)和体类别极性(ACP)是基于体的情感分析的两个重要子任务。ACD的目标是指定实体的哪个方面出现在意见中,而ACP的目标是指定ACD任务中每个方面类别的极性。以前的工作大多提出了这两个子任务的单独的解决方案。本文重点讨论ACD和ACP子任务,以同时解决这两个问题。所提出的方法进行多标签分类,其中采用了四种不同的深度模型,并进行了比较评估,以检查它们的性能。从CinemaTicket网站收集了波斯语评论的数据集,包括来自14个类别的2200个样本。开发的模型进行了评估,使用收集的数据集在基于实例和基于标签的指标。结果表明,与LSTM和Bi-LSTM相比,CNN和GRU模型具有较高的适用性和偏好性。
2021-10-17 cs.AI cs.CL
Aspect Sentiment Quad Prediction as Paraphrase Generation
The Chinese University of Hong Kong(香港中文大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
基于情感的情感分析(ABSA)近年来得到了广泛的研究,它通常涉及四个基本的情感元素,包括方面类别、方面术语、观点术语和情感极性。现有的研究通常考虑部分情感元素的检测,而不是一次预测四个元素。在这项工作中,我们引入了方面情感四元预测(ASQP)任务,旨在联合检测一个给定的固执己见的句子,这可以揭示一个更全面和完整的方面级情感结构的四元中的所有情感元素。我们进一步提出了一种新的\textsc{Paraphrase}建模范式,将ASQP任务转换为释义生成过程。一方面,生成公式允许以端到端的方式求解ASQP,从而减轻管道解决方案中的潜在错误传播。另一方面,情感元素的语义可以通过学习以自然语言形式生成它们来充分利用。在基准数据集上的大量实验表明了该方法的优越性和统一的\textsc{Paraphrase}建模框架的跨任务迁移能力。
2021-10-02 cs.CL
W2VLDA: Almost Unsupervised System for Aspect Based Sentiment Analysis
Vicomtech-IK4(维康技术-IK4研究所);EHU(巴斯克大学)
随着专业网站和社交网络中在线客户意见的增加,自动系统帮助组织和分类客户评论的必要性比以往任何时候都更加重要。基于方面的情感分析的监督方法对于它们所训练的领域/语言获得了良好的结果,但是对于所有领域和语言,使用手动标记的数据来训练监督系统通常非常昂贵和耗时。在这项工作中,我们描述了W2 VLDA,一个几乎无监督的系统,基于主题建模,结合其他一些无监督的方法和最小的配置,执行方面/类别分类,方面术语/意见词分离和情感极性分类为任何给定的域和语言。我们在多语言SemEval 2016 task 5(ABSA)数据集中评估了方面和情感分类的性能。我们展示了几种语言(英语,西班牙语,法语和荷兰语)和领域(酒店,餐馆,电子设备)的竞争结果。
2017-07-18 cs.CL
Various Approaches to Aspect-based Sentiment Analysis
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
基于方面的情感分析的问题涉及对句子中给定方面的情感(消极、中性、积极)进行分类。传统的情感分类任务涉及将整个句子视为文本文档,并基于所有单词对情感进行分类。让我们假设,我们有一句话,如“这辆车的加速是快,但可靠性是可怕的”。这可能是一个很难的句子,因为它有两个方面,对同一个实体有冲突的情感。考虑到机器学习技术(或深度学习),我们如何编码我们对一个方面感兴趣的信息及其情感,而不是另一个?让我们来探索各种预处理步骤,功能和方法,以促进解决这个任务。
2018-05-05 cs.CL
A Survey on Aspect-Based Sentiment Analysis: Tasks, Methods, and Challenges
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
基于方面的情感分析(Aspect-based情感分析,ABSA)作为一种重要的细粒度情感分析问题,旨在从方面的角度分析和理解人们的情感,在过去的十年里引起了人们的极大兴趣。为了处理不同场景下的ABSA,引入了各种任务来分析不同的情感元素及其关系,包括方面术语、方面类别、意见术语和情感极性。与早期的ABSA作品专注于单个情感元素不同,近年来已经研究了许多涉及多个元素的复合ABSA任务,以捕获更完整的方面级情感信息。然而,各种ABSA任务及其相应的解决方案的系统性审查仍然缺乏,我们的目的是填补这个调查。更具体地说,我们提供了一个新的分类ABSA组织现有的研究从关注的情感元素的轴,重点是复合ABSA任务的最新进展。从解决方案的角度出发,总结了ABSA中预训练语言模型的使用,将ABSA的性能提高到了一个新的阶段。此外,在跨领域/语言的情况下,建立更实用的ABSA系统的技术进行了讨论。最后,我们回顾了一些新兴的主题,并讨论了一些开放的挑战,展望未来的ABSA的潜在方向。
2022-11-06 cs.CL
Generative Aspect-Based Sentiment Analysis with Contrastive Learning and Expressive Structure
University of Michigan(密歇根大学)
生成模型在基于情感的情感分析(ABSA)任务上表现出令人印象深刻的结果,特别是对于提取情感-类别-意见-情感(ACOS)四元组的新兴任务。然而,这些模型难以处理隐含的情感表达,这通常在在线评论等固执己见的内容中观察到。在这项工作中,我们介绍了GEN-SCL-NAT,它包括两个技术,用于改进ACOS四重提取的结构化生成。首先,我们提出了GEN-SCL,这是一种有监督的对比学习目标,通过鼓励模型产生在关键输入属性(如情感极性和隐含意见和方面的存在)中可区分的输入表示来帮助四重预测。其次,我们介绍了GEN-NAT,一种新的结构化生成格式,可以更好地适应自回归编码器-解码器模型,以生成方式提取四元组。实验结果表明,GEN-SCL-NAT在三个ACOS数据集上都取得了最好的性能,平均F1提高了1.48%,在LAPTOP-L1数据集上最大提高了1.73%。此外,我们看到显着的收益隐方面和意见分歧已被证明是具有挑战性的现有ACOS方法。
2022-11-14 cs.CL
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
FOAL: Fine-grained Contrastive Learning for Cross-domain Aspect Sentiment Triplet Extraction
National Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);ByteDance(字节跳动)
本文提出FOAL方法,通过细粒度对比学习减少跨领域差异,在六个迁移对上实现6%性能提升,缓解目标领域标注数据依赖问题。
2023-11-17 cs.CL
Adaptive Data Augmentation for Aspect Sentiment Quad Prediction
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
本文针对ASQP任务中的数据不平衡问题,提出自适应数据增强框架ADA,通过条件函数增强尾部四元组模式和类别,并结合类别先验与语法引导解码,实验证明其优于朴素过采样方法。
2024-01-12 cs.AI cs.CL
ACAT: A Collaborative Platform for Efficient Aspect-Based Sentiment Dataset Annotation
National University of Science and Technology POLITEHNICA Bucharest(波兰那尔大学科学与技术学院)
提出ACAT平台,通过自动化ETL流程和原生支持四种ABSA工作流,解决多标注者数据整合与一致性计算问题,实现高效标注并直接导出训练就绪数据集。
2026-06-02 cs.CL
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
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
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
Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis
AWS AI Labs(AWS人工智能实验室);University of Arizona(亚利桑那大学)
本研究针对少样本场景下的基于方面的情感分析任务,提出基于指令提示的T5多任务微调统一框架,覆盖全部子任务与四元组预测,在多个基准上实现F1绝对提升8.29。
2023-06-11 cs.CL
Improving Aspect Sentiment Quad Prediction via Template-Order Data Augmentation
Nankai University(南开大学);Tsinghua University(清华大学)
近年来,方面情感四元预测(ASQP)已成为方面级情感分析领域的热门任务。以前的工作利用一个预定义的模板来释义成一个结构的目标序列,它可以很容易地解码为四元组的形式(方面类别,方面术语,意见术语,情感极性)的原始句子。模板以固定的顺序包含这四个元素。然而,我们观察到这种解决方案与ASQP任务的无顺序属性相矛盾,因为只要正确提取四元组,就不需要固定模板顺序。受此启发,我们研究了模板阶数的影响,发现一些阶数有助于生成模型获得更好的性能。据推测,不同的顺序提供了四胞胎的各种观点。因此,我们提出了一个简单但有效的方法来确定最合适的订单,并进一步结合多个适当的模板作为数据增强,以改善ASQP任务。具体来说,我们使用预先训练好的语言模型来选择熵最小的顺序。通过使用这些模板顺序微调预训练的语言模型,我们的方法提高了四元预测的性能,并且在低资源设置中显着优于最先进的方法。
2022-10-19 cs.CL
An Unsupervised Approach for Aspect Category Detection Using Soft Cosine Similarity Measure
University of Tehran(德黑兰大学)
方面类别检测是基于方面的情感分析的一个重要且具有挑战性的子任务。给定一组预定义的类别,该任务旨在检测在给定的评论句中隐含或明确指示的类别。有监督的机器学习方法可以很好地完成这个子任务。注意,这些方法的性能取决于标记的训练数据的可用性,而获得标记的训练数据通常是困难且昂贵的。此外,大多数这些监督方法需要特征工程来实现。在本文中,我们提出了一种无监督的方法来解决方面类别检测任务,而不需要任何功能工程。我们的方法利用集群的未标记的评论和软余弦相似性度量来完成方面类别检测任务。在SemEval-2014餐馆数据集上的实验结果表明,所提出的无监督方法的性能大大优于几个基线。
2019-06-21 cs.CL
Category Enhanced Word Embedding
The University of Hong Kong(香港大学);Dalian University of Technology(大连理工大学);Tsinghua University(清华大学)
分布式词表示已被证明是有效的,在捕捉语义和句法的错误。来自大型未标记语料库的无监督表示学习可以为呈现相似共现统计的那些单词学习相似的表示。除了局部出现统计之外,全局主题信息也是重要的知识,可以帮助区分一个词。在本文中,我们将文档的类别信息纳入单词表示的学习中,并以文档方式学习所提出的模型。我们的模型在单词类比和单词相似性任务中优于几个最先进的模型。此外,我们评估学习的词向量的情感分析和文本分类任务,这表明我们学习的词向量的优越性。我们还学习了反映主题意义的高质量类别嵌入。
2015-11-30 cs.CL
Enhancing Aspect-based Sentiment Analysis in Tourism Using Large Language Models and Positional Information
Xinjiang University of Finance and Economics(新疆财经大学);College of Intelligence and Computing, Tianjin University(天津大学智能与计算学部)
针对旅游领域ABSA传统流水线模型的错误传播和提取不全问题,提出ACOS_LLM模型,结合大模型微调压缩与位置信息进行四元组提取,在多个数据集上取得显著F1提升。
2024-09-23 cs.CL
Multi-task memory networks for category-specific aspect and opinion terms co-extraction
Nanyang Technological University(南洋理工大学);SAP Innovation Center Singapore(SAP新加坡创新中心)
在基于方面的情感分析,大多数现有的方法要么集中在方面/意见条款提取或方面的条款分类。然而,每个任务本身仅向最终用户提供部分信息。为了生成更详细和结构化的意见分析,我们提出了一个更细粒度的问题,我们称之为类别特定的方面和意见条款提取。这个问题涉及到在每个句子中识别方面和观点术语,以及对所识别的术语进行分类。为此,我们提出了一个端到端的多任务注意力模型,其中每个任务对应于一个特定类别的方面/意见条款提取。我们的模型受益于探索不同任务之间的共性和关系,以解决数据稀疏性问题。我们在三个基准数据集上展示了其最先进的性能。
2017-06-05 cs.CL
Opinion Mining in Online Reviews About Distance Education Programs
CITEC Bielefeld University(比勒费尔德大学CITEC);Semalytix(Semalytix公司);Online Akademie(在线学院);IMS Uni Stuttgart(斯图加特大学IMS)
远程教育项目的普及正在快速增长。与此同时,学生之间在论坛、社交媒体和复习平台上的在线交流也在增加。利用这些信息来支持同学或机构需要提取相关的意见,以便自动生成报告,提供不同远程教育计划的利弊概述。我们报告的实验涉及远程教育专家的目标是开发一个数据集的评论注释相关的类别和方面,在每个类别中讨论的具体审查连同情绪的指示。基于这个实验,我们提出了一种方法来提取一般类别和具体方面的讨论中的审查连同他们的情绪。我们框架这个任务作为一个多标签的分层文本分类问题,并实证研究不同的分类架构的性能,以耦合预测的类别与预测的特定方面在这个类别。我们评估不同的架构,并表明,分层的方法导致优越的结果相比,一个平面模型,独立决策。
2016-07-21 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
Do we still need Human Annotators? Prompting Large Language Models for Aspect Sentiment Quad Prediction
Media Informatics Group University of Regensburg(媒体信息学组德国雷根萨大学)
本研究探讨了大型语言模型在五个数据集上执行方面情感四元组预测(ASQP)的零样本和少样本学习能力,发现其F1分数接近最先进的微调模型,能有效减少人工标注需求。
2025-05-28 cs.CL
SentiXRL: An advanced large language Model Framework for Multilingual Fine-Grained Emotion Classification in Complex Text Environment
Tongji University(同济大学);Tsinghua University(清华大学);New York University(纽约大学);Tianjin University(天津大学);Soochow University(苏州大学);Westlake University(西湖大学)
针对多语言复杂语境下细粒度情感分类的挑战,提出SentiXRL框架,含情感检索增强模块和自循环分析协商机制(SANM),在多个数据集验证其优越性并揭示类别不平衡问题。
2024-11-27 cs.CL
A Deep Convolutional Neural Networks Based Multi-Task Ensemble Model for Aspect and Polarity Classification in Persian Reviews
University of Tabriz(大不里士大学);University of Allameh Tabataba’i(阿拉梅·塔巴塔巴伊大学)
提出基于深度卷积神经网络的多任务集成模型,同时检测波斯语评论中的方面类别及其极性,以减少流水线误差并提升情感分析效率。
2023-08-29 cs.CL
A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis
Salesforce AI Research(赛富时人工智能研究院)
情感分析是自然语言处理中的一项重要任务。在最近的工作中,预训练的语言模型经常被用来实现最先进的结果,特别是当训练数据是稀缺的。对下游任务进行微调是很常见的,通常是通过在模型的顶部添加特定于任务的层。在本文中,我们专注于基于方面的情感分析,其中包括提取方面的条款,类别,并预测其相应的极性。特别是,我们对Few-Shot设置感兴趣。我们建议重新制定的提取和预测任务的序列生成任务,使用生成语言模型与单向注意(GPT 2,除非另有说明)。这样,模型通过语言生成学习完成任务,而不需要训练特定于任务的层。我们的评估结果表明,我们的方法优于以前的国家的最先进的(基于BERT)的平均性能在Few-Shot和全拍摄设置的大幅度。更重要的是,我们的生成方法显著降低了由低资源数据引起的模型方差。我们进一步证明,建议生成语言模型可以处理联合和多任务设置,不同于以前的工作。我们观察到,当模型通过联合和多任务设置进行训练时,所提出的序列生成方法在极性预测上实现了进一步改进的性能。在相似的情感分析数据集、SST-2、SST-和OOS意图检测上的进一步评估验证了生成语言模型在Few-Shot设置下的优越性和噪声鲁棒性。
2022-04-11 cs.CL
Understanding Pre-trained BERT for Aspect-based Sentiment Analysis
Institute for Data Science, Tsinghua University(清华大学数据科学研究院);Department of Computer Science, University of Illinois at Chicago(伊利诺伊大学芝加哥分校计算机科学系);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本文分析了基于方面的情感分析(ABSA)任务中从BERT上的评论中学习到的预训练隐藏表示。我们的工作是基于BERT的ABSA语言模型的最新进展。然而,目前还不清楚如何(掩蔽)语言模型的一般代理任务上训练的未标记的语料库没有方面或意见的注释可以提供重要的功能,在ABSA的下游任务。通过利用ABSA中的注释数据集,我们研究了评论预训练的BERT的注意力和学习表示。我们发现,BERT使用很少的自我注意中心词来编码上下文词(如介词或代词,指示一个方面)和意见词的一个方面。方面表示中的大多数特性都致力于领域(或产品类别)和方面本身的细粒度语义,而不是从其上下文中携带总结的意见。我们希望这项研究能够帮助未来的研究,以改善自监督学习,无监督学习和微调ABSA。预训练的模型和代码可以在https://github.com/howardhsu/BERT-for-RRC-ABSA上找到。
2020-10-31 cs.CL
Label-Driven Denoising Framework for Multi-Label Few-Shot Aspect Category Detection
University of Electronic Science and Technology of China(电子科技大学);Nanjing University(南京大学)
多标签Few-Shot特征类别检测(FS-ACD)是基于特征的情感分析的一个新的子任务,旨在利用有限的训练样本准确地检测特征类别。近年来,主流研究采用原型网络来完成这一任务,并利用注意力机制从句子中提取体范畴的关键词,生成每个体的原型。但是,它们仍然存在严重的噪声问题:(1)由于缺乏足够的监督数据,以往的方法容易捕捉到与当前体类别无关的噪声词,这在很大程度上影响了生成原型的质量;(2)语义相近的体类别通常生成相似的原型,这些原型之间存在相互噪声,严重混淆了分类器。在本文中,我们诉诸于每个方面的标签信息来解决上述问题,并提出了一种新的标签驱动的去噪框架(LDF)。大量的实验结果表明,我们的框架实现了更好的性能比其他国家的最先进的方法。
2022-10-09 cs.CL
Czech Dataset for Complex Aspect-Based Sentiment Analysis Tasks
University of West Bohemia, Faculty of Applied Sciences, Department of Computer Science(西波西米亚大学应用科学学院计算机科学系)
本文引入了一个包含3.1K条人工标注评论的捷克ABSA数据集,支持目标-方面-类别检测等复杂任务,遵循SemEval-2016格式以促进跨语言比较,并提供了2400万条无标注评论和基于Transformer的基线结果。
2025-08-11 cs.CL
STAR: Stepwise Task Augmentation with Relation Learning for Aspect Sentiment Quad Prediction
The Hong Kong Polytechnic University(香港理工大学);Lingnan University(岭大);The Education University of Hong Kong(香港教育大学);University of Technology Sydney(悉尼大学)
STAR通过逐步任务增强和关系学习,提升低资源环境下方面情感四元预测的性能。
2026-02-06 cs.AI cs.CL
Multi-Label Few-Shot Learning for Aspect Category Detection
Nankai University(南开大学);IBM Research - China(IBM中国研究院);JD Explore Academy(京东探索研究院)
情感分析中的体类别检测(ACD)旨在识别句子中提到的体类别。在本文中,我们制定ACD在少样本学习的情况下。然而,现有的少样本学习方法主要集中在单标签预测。这些方法不能很好地工作,因为一个句子可能包含多个方面的类别的ACD任务。因此,我们提出了一种基于原型网络的多标签少样本学习方法。为了减轻噪声,我们设计了两个有效的注意力机制。支持集注意力旨在通过删除不相关的方面来提取更好的原型。查询集注意力为每个查询实例计算多个特定于原型的表示,然后使用这些表示来计算与相应原型的精确距离。为了实现多标签推理,我们进一步通过策略网络学习每个实例的动态阈值。在三个数据集上的大量实验结果表明,该方法显着优于强基线。
2021-05-29 cs.CL
Sentiment analysis model for Twitter data in Polish language
Politechnika Warszawska(华沙理工大学);Wydział Elektroniki i Technik Informacyjnych(电子与信息技术学院);Instytut Informatyki(计算机科学研究所)
对2015年5月10日波兰总统选举期间收集的推文进行文本挖掘分析。该项目包括实现从Twitter检索信息的引擎,构建文档语料库,语料库清理,以及创建术语文档矩阵。来自文本语料库的每条推文都根据其情感得分被分配了一个类别。分数是使用每个文档中积极和/或消极的表情符号和波兰语单词的数量计算的。结果数据集用于训练和测试四个机器学习分类器,以选择提供最准确的自动推文分类结果的分类器。朴素贝叶斯算法和最大熵算法的准确率最高,分别为71.76%和77.32%。所有的实现任务都是使用R程序设计语言完成的。
2019-11-03 cs.CL cs.IR cs.LG
E2TP: Element to Tuple Prompting Improves Aspect Sentiment Tuple Prediction
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对现有ABSA生成式方法整体预测忽略单元素作用的问题,提出两步架构的E2TP提示方法,设计三种训练范式,在多基准及跨领域场景下几乎均取得SOTA结果。
2024-05-16 cs.CL
Generate Then Correct: Single Shot Global Correction for Aspect Sentiment Quad Prediction
School of Cyber Security and Computer, Hebei University(河北大学网络空间安全与计算机学院);Faculty of Computer Science, Dalhousie University(达尔豪斯大学计算机科学学院)
本文提出生成后再校正方法,通过生成器和校正器实现单次全局校正,提升方面情感四元组预测性能,实验表明优于现有基线模型。
2026-04-04 cs.AI cs.CL
Cross-domain Aspect Category Transfer and Detection via Traceable Heterogeneous Graph Representation Learning
School of Data and Computer Science , Sun Yat-sen University(中山大学数据与计算机学院);Alibaba Group(阿里巴巴集团);School of Informatics, Computing and Engineering , Indiana University Bloomington(印第安纳大学伯明顿分校信息学、计算与工程学院)
方面类别检测是情感分析和意见挖掘的一项重要任务。然而,分类数据标签的成本,例如,标签的审查方面的信息,为大量的产品领域,可以是不可避免的,但负担不起。在这项研究中,我们提出了一个新的问题,跨域方面类别转移和检测,它面临着三个挑战:不同的特征空间,不同的数据分布,和不同的输出空间。为了解决这些问题,我们提出了一个创新的解决方案,可跟踪异构图表示学习(THGRL)。与现有的基于文本的方面检测工作不同,THGRL通过异构图上的大量用户行为信息来探索潜在的领域方面类别连接。此外,一个创新的潜在变量“沃克示踪剂”被引入到表征的全局语义/方面的依赖关系,并捕捉信息的顶点上的随机行走路径。通过使用THGRL,我们将不同领域的特征空间投影到一个共同的空间中,同时允许数据分布和输出空间保持不同。实验结果表明,该方法优于一系列最先进的基线模型。
2019-08-30 cs.CL
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
DanceHA: A Multi-Agent Framework for Document-Level Aspect-Based Sentiment Analysis
本文提出DanceHA多智能体框架,用于文档级基于方面的情感强度分析,通过分解任务和人机协作提升处理复杂任务的能力,并展示了其在多领域数据集上的有效性。
2026-03-17 cs.AI cs.CL
HelaBERT: Enhancing Sinhala Language Understanding with Dual Pooling Classification Head
University of Moratuwa(莫拉图瓦大学)
该研究提出两款僧伽罗语BERT模型HelaBERT-Small与HelaBERT-Large,采用定制分词器,在四项下游分类任务上评估,提出双池化分类头并发布模型以推进僧伽罗语NLP研究。
2026-08-25 cs.CL
MvP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction
Tsinghua University(清华大学)
提出多视角提示方法MvP,通过聚合不同元素顺序生成的情感元组并投票选择,有效提升方面情感元组预测性能,在10个数据集上达到最先进水平。
2023-05-22 cs.AI cs.CL