Multi-Instance Multi-Label Learning Networks for Aspect-Category Sentiment Analysis
Baidu Inc.（百度公司）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）
体类情感分析（ACSA）的目的是预测句子相对于给定体类的情感极性。为了检测句子中对特定体类别的情感，大多数以前的方法首先为体类别生成特定于体类别的句子表示，然后基于表示来预测情感极性。这些方法忽略了句子中提到的体类别的情感是句子中指示体类别的词的情感的聚合的事实，这导致次优性能。在本文中，我们提出了一个多实例多标签学习网络的方面类别情感分析（AC-MIMLLN），它把句子作为袋，词作为实例，和词表示的方面类别的关键实例的方面类别。给定一个句子和句子中提到的体类别，AC-MIMLLN首先预测实例的情感，然后找到体类别的关键实例，最后通过聚合关键实例情感来获得句子对体类别的情感。在三个公开数据集上的实验结果证明了AC-MIMLLN的有效性。
2020-10-06 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
Transformer-based Multi-Aspect Modeling for Multi-Aspect Multi-Sentiment Analysis
Nanjing University（南京大学）
基于语义的情感分析（ABSA）旨在分析句子中给定方面的情感。最近，基于神经网络的方法在现有的ABSA数据集上取得了可喜的成果。然而，这些数据集倾向于退化到句子级别的情感分析，因为大多数句子仅包含一个方面或具有相同情感极性的多个方面。为了促进ABSA的研究，NLPCC 2020共享任务2发布了一个新的大规模多方面多情感（MAMS）数据集。在MAMS数据集中，每个句子至少包含两个不同的方面，具有不同的情感极性，这使得ABSA更加复杂和具有挑战性。为了解决具有挑战性的数据集，我们重新形式化ABSA作为一个问题的多方面的情感分析，并提出了一种新的基于transformer的多方面建模方案（TMM），它可以捕捉多个方面之间的潜在关系，同时检测句子中的所有方面的情感。在MAMS数据集上的实验结果表明，与BERT和RoBERTa等强基线相比，该方法取得了显著的改进，最终在NLPCC 2020共享任务2评测中排名第2。
2020-11-01 cs.CL
Universal, Unsupervised (Rule-Based), Uncovered Sentiment Analysis
Universidade da Coruña（拉科鲁尼亚大学）
我们提出了一种新的无监督的方法，多语言情感分析驱动的组合语法为基础的规则。一方面，我们利用了无监督算法的一些主要优势：（1）与大多数监督模型相比，它们的输出具有可解释性，后者表现为黑盒;（2）它们在不同语料库和领域中的鲁棒性。另一方面，通过引入组合操作的概念并以通用依赖关系的形式利用语法信息，我们解决了它们的主要缺点之一：它们对结构不同的数据的刚性取决于所涉及的语言。实验表明，在现有的无监督方法和最先进的监督模型进行评估时，其原始语料库之外的改进。实验还展示了如何在不同语言之间共享相同的组合操作。该系统可在http://www.grupolys.org/software/UUUSA/上获得
2017-01-05 cs.CL
Sentence Constituent-Aware Aspect-Category Sentiment Analysis with Graph Attention Networks
Baidu Inc.（百度公司）；Shenzhen University（深圳大学）
体类别情感分析（ACSA）旨在预测句子中讨论的体类别的情感极性。由于一个句子通常讨论一个或多个方面的类别，并表达对他们不同的情绪，各种基于注意力的方法已经开发出分配适当的情感词为给定的方面类别，并获得有希望的结果。然而，这些方法大多直接使用给定的体类别来寻找体类别相关的情感词，当不相关的情感词对给定的体类别有语义意义时，可能会导致情感词和体类别之间的不匹配。为了缓解这个问题，我们提出了一个句子成分感知网络（SCAN）的方面类别情感分析。SCAN包含两个图形注意模块和一个交互式损失函数。图注意模块分别为方面类别检测（ACD）任务和ACSA任务生成句子选区解析树中节点的表示。ACD旨在检测句子中讨论的体类别，是一项辅助任务。对于给定的方面类别，交互式损失函数帮助ACD任务找到能够预测该方面类别但不能预测其他方面类别的节点。然后，节点中的情感词被用于预测ACSA任务的方面类别的情感极性。在五个公开数据集上的实验结果证明了SCAN的有效性。
2020-10-04 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
Word2Vec and Doc2Vec in Unsupervised Sentiment Analysis of Clinical Discharge Summaries
University of Ottawa（渥太华大学）；Dalhousie University（达尔豪斯大学）
本研究探讨Word2Vec和Doc2Vec在出院小结情感分析中的应用。我们应用了无监督学习，因为数据集没有情感注释。注意，无监督学习是比监督学习更现实的场景，监督学习需要访问情感注释数据的训练集。我们的目标是检测是否存在对某种疾病的潜在偏见。我们使用SentiWordNet为数据集建立黄金情感标准，并评估Word2Vec和Doc2Vec方法的性能。我们已经表明，Word2Vec和Doc2Vec方法在数据集的情感分析中相互补充。
2018-05-01 cs.CL cs.LG
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
Polarity and Intensity: the Two Aspects of Sentiment Analysis
当前的多模态情感分析将情感得分预测框架为一般的机器学习任务。然而，情绪分数实际上代表了什么往往被忽视。作为对意见和情感状态的测量，情感得分通常包括两个方面：极性和强度。我们将情感分数分解为这两个方面，并研究它们是如何在自然主义独白环境中通过个体模态和组合多模态模型传达的。特别是，我们建立了单模态和多模态多任务学习模型，情感得分预测作为主要任务，极性和/或强度分类作为辅助任务。我们的实验表明，情感分析受益于多任务学习，和个人的方式不同时，传达的极性和强度方面的情绪。
2018-07-04 cs.CL
Aspect Sentiment Model for Micro Reviews
Yonsei University（延世大学）
提出了一种面向微观评论的基于方面的情感分析（ABSA）的方面情感模型。为了理解大多数用户撰写的简短评论，这项任务很重要，而现有的主题模型针对专家级的长评论，有足够的共现模式可供观察。由于元数据缺失、主题异质性和冷启动问题，目前使用元数据信息聚合微观评论的方法可能也不是有效的。为此，我们提出了一个模型称为微观方面的情绪模型（MicroASM）。MicroASM基于以下观察结果：1）将简短评论与情感方面的单词对一起视为信息的构建块，2）可以聚类为较大的评论。与当前最先进的方面情感模型相比，实验表明，我们的模型在方面级任务（如方面术语提取）和文档级任务（如情感分类）上提供了更好的性能。
2018-06-14 cs.CL
Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts
本研究利用TF-IDF、t-SNE、k均值聚类和LDA对Reddit与Twitter整形外科帖子进行无监督分析，并用简单深度学习模型以近90%准确率预测用户情感，证明无监督学习可用于社交媒体NLP标注。
2023-07-05 cs.CL
Aspect Based Sentiment Analysis with Aspect-Specific Opinion Spans
Singapore University of Technology and Design（新加坡科技设计大学）；Alibaba Group（阿里巴巴集团）
基于方面的情感分析，预测给定方面的情感极性，引起了广泛的关注。以前的基于注意力的模型强调使用方面语义，以帮助提取意见的分类功能。然而，这些作品要么不能捕捉意见跨度作为一个整体，或不能捕捉可变长度的意见跨度。本文通过聚合多个线性链CRF，提出了一个简洁有效的结构化注意力模型。这样的设计允许模型提取特定方面的意见跨度，然后通过利用提取的意见特征来评估情感极性。在四个数据集上的实验结果证明了该模型的有效性，我们的分析表明，我们的模型可以捕获特定方面的意见跨度。
2021-04-12 cs.CL
Octa: Omissions and Conflicts in Target-Aspect Sentiment Analysis
IBM Corporation（IBM公司）；North Carolina State University（北卡罗来纳州立大学）
固执己见文本中的情感往往由体和目标词（或目标）决定。我们注意到，目标和方面以微妙的方式相互关联，往往产生相互矛盾的情绪。因此，如在现有的情感分析模型中那样，来自分开处理的方面和目标的情感的朴素聚集损害性能。我们提出了Octa，这是一种在推断情绪时共同考虑方面和目标的方法。为了捕捉和量化目标和上下文单词之间的关系，Octa使用了一种选择性的自我注意力机制来处理隐含或缺失的目标。具体来说，Octa涉及两层注意力机制，分别用于目标和上下文词之间的选择性注意和基于方面的对词的注意。在基准数据集上，Octa的表现远远优于领先的模型，准确率（绝对）提高了1.6%至4.3%。
2020-10-06 cs.CL
CAN: Constrained Attention Networks for Multi-Aspect Sentiment Analysis
Nankai University（南开大学）；IBM Research - China（IBM中国研究院）
方面级情感分类是一个细粒度的情感分析任务。为了检测句子中特定方面的情感，以前的研究已经开发了各种基于注意力的方法来生成特定方面的句子表征。然而，注意力可能固有地引入噪声并降低性能。本文针对注意力机制的不足，提出了一种简单有效的解决方案--约束注意力网络（CAN），用于多方面情感分析中的注意力规则化。具体来说，我们引入正交正则化的多个方面和稀疏正则化的每一个方面。在两个公共数据集上的实验结果证明了该方法的有效性。我们进一步将我们的方法扩展到多任务设置，并优于最先进的方法。
2019-08-21 cs.CL
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
FinXABSA: Explainable Finance through Aspect-Based Sentiment Analysis
Asian Institute of Digital Finance（亚洲数字金融学院）；National University of Singapore（新加坡国立大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Nanyang Technological University（南洋理工大学）；Institute of High Performance Computing (IHPC)（高性能计算研究所）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；College of Design & Engineering（设计与工程学院）
本文提出FinXABSA方法，结合基于方面的情感分析、皮尔逊相关、格兰杰因果和不确定性系数，揭示方面情感得分与股价间的统计关系，为AI驱动的金融决策提供可解释性。
2023-10-14 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
Utilizing BERT for Aspect-Based Sentiment Analysis via Constructing Auxiliary Sentence
Fudan University（复旦大学）
基于情感的情感分析（ABSA）是情感分析（SA）的一个具有挑战性的子任务，其目的是识别对特定方面的细粒度意见极性。在本文中，我们从体构造一个辅助句，并转换ABSA到一个双对分类任务，如问答（QA）和自然语言推理（NLI）。我们微调了来自BERT的预训练模型，并在SentiHood和SemEval-2014 Task 4数据集上获得了最新的结果。
2019-03-22 cs.CL
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
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
A Novel Aspect-Guided Deep Transition Model for Aspect Based Sentiment Analysis
Beijing Jiaotong University（北京交通大学）；Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯公司微信人工智能模式识别中心）
基于方面的情感分析（ABSA）的目的是确定情感极性对给定的方面在一个句子中，而以前的模型通常利用方面独立的（弱关联）编码器的句子表示生成。在本文中，我们提出了一种新的Aesthet-Guided Deep Transition模型，命名为AGDT，它利用特定的方面从头开始指导句子编码，并采用专门设计的深度转换架构。此外，一个面向方面的目标被设计成强制AGDT重建与生成的句子表示给定的方面。通过这样做，我们的AGDT可以准确地生成特定方面的句子表示，从而进行更准确的情感预测。在多个SemEval数据集上的实验结果证明了我们所提出的方法的有效性，该方法在相同设置下的性能明显优于最佳报告结果。
2019-09-01 cs.CL
Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis
University of Electronic Science and Technology of China（电子科技大学）；Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
用于情感分析的多源无监督领域自适应（MS-UDA）旨在利用多个源领域中的有用信息来帮助在没有监督信息的未标记目标领域中进行情感分析。MS-UDA的现有算法或者仅利用共享特征，即，域不变信息，或者基于NLP中的一些弱假设，例如，平滑假设为了避免这些问题，我们提出了两个迁移学习框架的基础上的多源领域自适应方法SA结合源假设，以获得一个良好的目标假设。第一个框架的主要特点是一个新的基于加权方案的无监督领域自适应框架（WS-UDA），它结合源分类器直接获取目标实例的伪标签。而第二个框架是基于两阶段训练的无监督领域自适应框架（2ST-UDA），其进一步利用这些伪标签来训练目标私有提取器。重要的是，分配给每个源分类器的权重是基于目标实例和源域之间的关系，这是通过对抗训练来测量的。此外，通过相同的封装，我们还实现了共享功能和私有功能的分离。在两个SA数据集上的实验结果表明，我们的框架具有良好的性能，优于无监督的最先进的竞争对手。
2020-06-10 cs.CL
Document-Level Supervision for Multi-Aspect Sentiment Analysis Without Fine-grained Labels
AWS AI Labs（AWS人工智能实验室）
本文提出一种基于VAE的主题建模方法，利用文档级监督进行多方面情感分析，无需细粒度标签，在两个基准数据集上显著优于基线。
2023-10-10 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
Knowledge Graph Enhanced Aspect-Level Sentiment Analysis
Banaras Hindu University（贝拿勒斯印度大学）
针对语境特定词义理解难题，提出结合BERT与知识图谱同义词数据、动态注意力机制、位置记忆库及DCGRU的方面级情感分析方法，在三个常用数据集上取得更优分类性能。
2025-03-18 cs.CL
A Position Aware Decay Weighted Network for Aspect based Sentiment Analysis
Samsung R&D Institute, Bangalore（三星班加罗尔研发中心）
基于方面的情感分析（ABSA）是在给定另一个文本片段或方面的情况下识别文本的情感极性的任务。在ABSA中，文本可以根据每个方面具有多种情感。体词情感分析（ATSA）是体词分析的一个子任务，它将体词包含在给定的句子中。大多数现有的ATSA方法，通过不同的子网络，从而忽略了体词的存在在句子中的优势，包括方面的信息。在本文中，我们提出了一个模型，利用的方面的位置信息。该模型引入了一个基于位置的衰减机制。这个衰减函数要求输入单词对ABSA的贡献。一个词在句子中的位置离体词越远，它的贡献就越小。性能是在SemEval 2014任务4的两个标准数据集上测量的。与最近的架构相比，所提出的模型的有效性证明。
2020-05-03 cs.CL
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
Lex2Sent: A bagging approach to unsupervised sentiment analysis
Department of Statistics, TU Dortmund University（统计系，多特蒙德技术大学）
本文提出Lex2Sent，一种无需GPU的无监督情感分析方法，通过训练嵌入模型计算文档与词典嵌入的距离并结合重采样实现bagging效果，性能优于传统词典方法并为少样本微调奠定基础。
2024-10-22 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
Method for Aspect-Based Sentiment Annotation Using Rhetorical Analysis
Wroclaw University of Technology（弗罗茨瓦夫技术大学）；Kenaz Technologies
本文填补了基于方面的情感分析的空白，旨在提出一种新的方法，用于准备和分析文本有关的意见，并生成用户友好的描述性报告，在自然语言。我们提出了一套全面的技术，来自修辞结构理论和情感分析提取方面的文本意见，然后建立一个抽象的摘要的一组意见。此外，我们提出方面-方面图来评估方面的重要性，并从摘要中过滤掉不重要的方面。此外，本文提出了一个原型解决方案的数据流有趣和有价值的结果。该方法的结果证明了高精度的方面检测时，应用于黄金标准数据集。
2017-09-13 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
A Hybrid Approach To Aspect Based Sentiment Analysis Using Transfer Learning
University of Galway（戈尔韦大学）
针对ABSA标注数据集获取成本高且领域受限的问题，提出结合LLM与传统句法依赖关系的迁移学习混合方法，生成弱监督标注，在多个数据集上有效提升了方面术语提取与情感分类的效果。
2024-03-25 cs.CL
A Hierarchical Interactive Network for Joint Span-based Aspect-Sentiment Analysis
Chongqing University（重庆大学）；Beihang University（北京航空航天大学）；Chongqing Medical University（重庆医科大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
最近，一些基于跨度的方法已经取得了令人鼓舞的性能，联合方面情感分析，首先提取方面（方面提取）通过检测方面的边界，然后分类跨度级别的情感（情感分类）。然而，大多数现有的方法要么顺序地提取特定于任务的特征，导致不足的特征交互，或者它们以并行的方式编码方面特征和情感特征，这意味着除了输入共享之外，每个任务中的特征表示在很大程度上彼此独立。他们都忽视了方面提取和情感分类之间的内在相关性。为了解决这一问题，本文提出了一种分层交互网络（HI-ASA）来描述两个任务之间的双向交互，其中分层交互包括两个步骤：浅层交互和深层交互。首先，我们利用十字绣机制，结合不同的任务特定的功能选择性的输入，以确保适当的双向互动。其次，互信息技术被应用于输出层中的两个任务之间的相互约束学习，因此方面输入和情感输入能够通过反向传播对另一任务的特征进行编码。在三个真实世界数据集上的广泛实验证明了HI-ASA优于基线。
2022-08-24 cs.CL
Aspect-based Sentiment Analysis through EDU-level Attentions
Nanyang Technological University（南洋理工大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
一个句子可以表达多方面的情感。当这些方面与不同的情感极性相关联时，模型的准确性通常会受到不利影响。我们观察到，在这样的硬句中的多个方面大多是通过多个小句，或正式称为基本话语单位（EDU），和一个EDU往往表示一个单一的方面，对该方面的单一情感。在本文中，我们建议在句子建模中考虑EDU边界，在词和EDU两个层面上都要注意。具体来说，我们突出的情感承载词在EDU通过词级稀疏注意。然后在EDU层，通过EDU层的稀疏注意和正交正则化，我们强制模型关注正确的EDU以获得正确的方面。在三个基准数据集上的实验表明，我们简单的EDU-Attention模型优于最先进的基线。由于EDU可以自动分割，准确率高，我们的模型可以直接应用于句子，而不需要手动EDU边界标注。
2022-02-05 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
Learning to Detect Opinion Snippet for Aspect-Based Sentiment Analysis
Nankai University（南开大学）；IBM Research - China（IBM中国研究院）
基于语义的情感分析（ABSA）是预测句子中某个方面的情感极性。最近，这个任务已经被神经注意力机制广泛解决，它计算注意力权重来软选择单词以生成特定方面的句子表示。预计注意力将集中在意见词上，以进行准确的情绪预测。然而，注意力容易被嘈杂或误导性的词语或来自其他方面的意见词语分散。在本文中，我们提出了一种替代的硬选择方法，该方法确定意见片段的开始和结束位置，并选择这两个位置之间的单词进行情感预测。具体来说，我们通过利用预训练的BERT模型来学习句子和方面之间的深层关联以及句子内的长期依赖关系。我们进一步通过自我批判强化学习检测意见片段。特别是，实验结果证明了我们的方法的有效性，并证明我们的硬选择方法优于软选择方法处理多方面的句子。
2019-09-25 cs.CL
Neural Contrastive Clustering: Fully Unsupervised Bias Reduction for Sentiment Classification
工作背景：神经网络由于相关性偏差而产生有偏差的分类结果（它们学习输入和输出之间的相关性以分类样本，即使这些相关性不代表因果关系）。目的：这项研究引入了一种完全无监督的方法来减轻相关性偏差，并在COVID-19社交媒体数据上进行了情感分类。方法：情感分类中的相关偏差经常出现在关于有争议话题的对话中。因此，本研究使用对抗性学习来对比基于情感分类标签的聚类，以及由无监督主题建模产生的聚类。这阻碍了神经网络学习产生有偏见的分类结果的主题相关特征。结果如下：与基线分类器相比，神经对比聚类对人类标记的COVID-19社交媒体数据的倾向于偏见的句子的准确性大约增加了一倍，而不会对分类器的整体F1得分产生不利影响。尽管是一种完全无监督的方法，但神经对比聚类在倾向于偏见的句子上的准确性比监督掩蔽方法有更大的提高。结论：神经对比聚类减少了情感文本分类中的相关性偏差。需要进一步的研究来探索将这种技术推广到其他神经网络架构和应用领域。
2022-04-22 cs.CL cs.LG
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
Structured Prompting and LLM Ensembling for Multimodal Conversational Aspect-based Sentiment Analysis
Hunan University（湖南大学）；University of Cambridge（剑桥大学）
本文提出结构化提示与大语言模型集成方法，用于多模态对话基于方面的情感分析，有效提升情感识别与翻转检测的准确性。
2025-12-27 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
A Failure of Aspect Sentiment Classifiers and an Adaptive Re-weighting Solution
Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于情感的情感分类（ASC）是细粒度情感分析中的一个重要任务。深度监督ASC方法通常将此任务建模为成对分类任务，该成对分类任务采用方面和包含该方面的句子，并输出该句子中方面的极性。然而，我们发现许多现有的方法无法学习有效的ASC分类器，而更像是一个句子级别的情感分类器，因为它们很难处理不同方面的不同极性的句子。本文首先证明了这个问题，使用几个国家的最先进的ASC模型。然后，它提出了一种新的和通用的自适应重新加权（ARW）计划，以调整训练，以显着提高ASC这样的复杂句子。实验结果表明，该框架是有效的\footnote{The dataset and code are available at \url{https://github.com/howardhsu/ASC_failure}.} .
2019-11-04 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
The Classics at SemEval-2026 Task 3: Combining Transformer Models and LLM-Generated Annotations for Dimensional Aspect-Based Sentiment Analysis
HSE University（俄罗斯高等经济研究大学）
研究超越传统分类情感，预测情感“效价”和“唤醒”细粒度实值分数的方法。回归任务用基于变压器的编码器模型加权集成，俄语用大语言模型增强输入，提取任务微调解码器大语言模型进行结构化预测。
2026-07-07 cs.CL
Joint Aspect and Polarity Classification for Aspect-based Sentiment Analysis with End-to-End Neural Networks
MaibornWolff GmbH（MaibornWolff有限公司）
在这项工作中，我们提出了一个新的模型，基于方面的情感分析。与以前的方法相比，我们联合建模方面的检测和分类的极性在一个端到端的可训练神经网络。我们在最近的GermEval 2017数据集上使用不同的神经架构和单词表示进行实验。与管道方法相比，我们能够在所有设置中使用联合建模方法来显示相当大的性能增益。卷积神经网络和快速文本嵌入的组合超过了2017年共享任务的最佳提交，建立了一个新的最先进的水平。
2018-08-28 cs.CL
SentiHood: Targeted Aspect Based Sentiment Analysis Dataset for Urban Neighbourhoods
University College London（伦敦大学学院）；Bloomsbury AI；University of Warwick（华威大学）
在本文中，我们介绍了有针对性的方面为基础的情感分析的任务。目标是提取用户评论中提到的实体的细粒度信息。这项工作扩展了基于方面的情感分析和有针对性的情感分析，基于方面的情感分析假设每个文档有一个单一的实体，基于方面的情感分析假设对目标实体的单一情感。特别是，我们识别对一个或多个实体的每个方面的情感。作为这一任务的测试平台，我们介绍了SentiHood数据集，从一个问答（QA）平台，其中城市社区由用户讨论提取。在这种情况下，文本单元经常提到一个或多个街区的几个方面。这是第一次使用通用的社交媒体平台（在这种情况下是QA平台）进行细粒度的意见挖掘。与当前数据集所基于的评论特定平台的文本相比，来自QA平台的文本受到的限制要少得多。我们开发了几个强大的基线，依赖于逻辑回归和最先进的递归神经网络。
2016-10-12 cs.CL
AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis
School of Electrical and Computer Engineering, AILS Laboratory（电气与计算机工程学院，AILS实验室）；National Technical University of Athens（希腊雅典国家技术大学）
AILS-NTUA 提出了一种高效维度方面基于情感分析方法，结合语言适配编码器和 LoRA 指令微调，实现多语言多领域下的三元组和四元组提取，提升情感分析性能。
2026-03-05 cs.CL
Recurrent Entity Networks with Delayed Memory Update for Targeted Aspect-based Sentiment Analysis
The University of Melbourne（墨尔本大学）；School of Computing and Information Systems（计算与信息系统学院）
虽然神经网络已被证明可以实现令人印象深刻的结果，基于方面的情感分析（TABSA）-提取细粒度的意见极性w.r.t.预先定义的一组方面-仍然是一项艰巨的任务。出于最近的进展，内存增强模型的机器阅读，我们提出了一种新的架构，利用外部的“内存链”与延迟的内存更新机制来跟踪实体。在TABSA任务中，所提出的模型比最先进的方法（包括使用外部知识库的方法）有了很大的改进。
2018-04-30 cs.CL
Constraint-Aware Counterfactual Editing for Aspect-Based Sentiment Analysis
Oklahoma State University（俄克拉荷马州立大学）
研究基于方面的情感分析中的反事实评估难题，提出CAVE-ABSA框架，通过定位观点跨度、可控重写、修复优化、多维度过滤等生成和验证方面级反事实，用于数据集构建及测试模型情感推理能力。
2026-07-16 cs.CL
Aspect-Level Obfuscated Sentiment in Thai Financial Disclosures and Its Impact on Abnormal Returns
Department of Linguistics, Faculty of Arts, Chulalongkorn University（语言学系，艺术学院，朱拉隆梭大学）；Sasin Graduate Institute of Business Administration, Chulalongkorn University（工商管理研究生院，朱拉隆梭大学）
本文针对泰国财务披露中的模糊情感问题，构建标注数据集并基于ABSA方法开展情感分类基准测试，结合事件研究验证报告特定方面情感会选择性影响市场异常收益。
2025-11-17 cs.CL
Geo-located Aspect Based Sentiment Analysis (ABSA) for Crowdsourced Evaluation of Urban Environments
Massachusetts Institute of Technology（麻省理工学院）
本研究针对城市环境众包评估中现有情感分析缺乏细粒度城市方面识别的问题，标注2500条公园评论数据集，训练融合LCF的BERT ABSA模型，在ATE和ASC任务上准确率显著提升，并实现波士顿城市方面的空间可视化。
2023-12-19 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
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
An Interactive Multi-Task Learning Network for End-to-End Aspect-Based Sentiment Analysis
National University of Singapore（新加坡国立大学）；SAP Innovation Center Singapore（SAP新加坡创新中心）
基于语义的情感分析为自然语言句子产生方面术语及其对应情感的列表。该任务通常以流水线方式完成，首先执行方面术语提取，然后对提取的方面术语进行情感预测。虽然更容易开发，但这种方法没有充分利用来自两个子任务的联合信息，并且没有使用可能有用的所有可用的训练信息源，例如文档级标记的情感语料库。在本文中，我们提出了一个交互式多任务学习网络（IMN），它能够共同学习多个相关的任务，同时在令牌级别以及文档级别。与依赖于学习不同任务的共同特征的传统多任务学习方法不同，IMN引入了一种消息传递架构，其中信息通过一组共享的潜在变量迭代地传递给不同的任务。在三个基准数据集上的实验结果表明，该方法对多基线具有较好的性能。
2019-06-17 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
