BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis
Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Naval University of Engineering（海军工程大学）
基于方面的情感分析（ABSA）是一种细粒度的情感分析任务，其目的是将方面和相应的情感对齐以进行特定于方面的情感极性推断。这是具有挑战性的，因为一个句子可能包含多个方面或复杂的（例如，条件、并列或转折）关系。近年来，利用图神经网络来挖掘依存句法信息已成为一种流行趋势。尽管其成功，但是严重依赖于依赖关系树的方法在准确地对方面及其指示情感的词的对齐进行建模方面提出了挑战，因为依赖关系树可能提供不相关关联的噪声信号（例如，图2中“伟大”和“可怕”之间的“conj”关系）。在本文中，为了缓解这个问题，我们提出了一个双感知图注意力网络（BiSyn-GAT+）。具体地，BiSyn-GAT+充分利用语法信息（例如，短语分割和分层结构）来对每个方面的感知情感的上下文（称为内部上下文）和跨方面的情感关系（称为内部上下文）进行建模以用于学习。在四个基准数据集上的实验表明，BiSyn-GAT+的性能始终优于最先进的方法。
2022-07-15 cs.AI cs.CL
Zero-Shot Aspect-Based Sentiment Analysis
Amazon AWS AI（亚马逊AWS人工智能）；Facebook AI Research（脸书人工智能研究院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
基于语义的情感分析（ABSA）通常需要域内注释数据用于监督训练/微调。将ABSA扩展到大量新领域是一个巨大的挑战。本文的目的是训练一个统一的模型，可以执行zero-shot ABSA，而不使用任何注释的数据为一个新的领域。本文提出了一种基于复习自然语言推理（CORN）的对比后训练方法。以后的ABSA任务可以转换到NLI中进行zero-shot传输。我们评估了CORN的ABSA任务，从方面提取（AE），方面的情感分类（ASC），端到端的基于方面的情感分析（E2 E ABSA），这表明ABSA可以进行没有任何人类注释的ABSA数据。
2022-02-15 cs.AI cs.CL
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
Interventional Aspect-Based Sentiment Analysis
Zhejiang University（浙江大学）；Tencent（腾讯）；AZFT Joint Lab for Knowledge Engine（AZFT知识引擎联合实验室）
最近的基于神经元的方面为基础的情感分析方法，虽然取得了有前途的改进基准数据集，有报告遭受较差的鲁棒性时，遇到混杂因素，如非目标方面。在本文中，我们采取因果的观点来解决这个问题。我们提出了一个简单而有效的方法，即情绪调整（SENTA），通过应用后门调整来解开这些混杂因素。在方面鲁棒性测试集（ARTS）数据集上的实验结果表明，该方法在保持原始测试集准确性的同时提高了性能。
2021-04-20 cs.AI cs.CL
ATESA-BÆRT: A Heterogeneous Ensemble Learning Model for Aspect-Based Sentiment Analysis
University Politehnica of Bucharest（布加勒斯特理工大学）
针对在线评论中多方面极性导致现有方案表现不佳的问题，提出异构集成学习模型 ATESA-BÆRT，通过将任务分为方面术语提取与情感分析两个子任务，对六个基于 transformers 的学习器使用 argmax 多类分类，在两个数据集上优于现有最先进解决方案。
2023-07-29 cs.AI 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
Aspect-oriented Opinion Alignment Network for Aspect-Based Sentiment Classification
University of Electronic Science and Technology of China（电子科技大学）；China Academy of Electronics and Information Technology（中国电子信息产业发展研究院）
针对基于方面的情感分类中观点词与方面语义不匹配问题，提出含邻接跨度增强模块和多视角注意力机制的AOAN模型，在三个基准数据集上取得最优结果。
2023-08-22 cs.AI cs.CL
Opinion Tree Parsing for Aspect-based Sentiment Analysis
Soochow University（苏州大学）；Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
针对方面级情感分析中预训练生成模型计算成本高、缺乏情感元素结构显式建模的问题，提出基于上下文无关观点语法的神经图表观点树解析模型，在保证性能的同时大幅提升了推理速度。
2023-06-15 cs.AI cs.CL
A Deep Convolutional Neural Network-based Model for Aspect and Polarity Classification in Hausa Movie Reviews
Dept. of Computer Science Federal University Dutse（计算机科学系 费尔南多大学杜斯）
本文提出基于深度CNN与注意力机制的模型，用于豪萨语电影评论的方面提取和情感极性分类，并构建了首个豪萨语ABSA数据集，准确率分别达91%和92%，优于传统机器学习模型。
2024-05-29 cs.AI 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
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
Learn from Structural Scope: Improving Aspect-Level Sentiment Analysis with Hybrid Graph Convolutional Networks
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
情感层次的情感分析旨在确定句子中对特定目标的情感极性。该任务的主要挑战是有效地建模目标与情感之间的关系，以便从不相关的目标中过滤掉嘈杂的意见词。最近的努力捕获的关系，通过目标情感对或意见跨度从词级或短语级的角度来看。基于观察到目标和情感本质上是按照短语-小句-句子结构的语法层次建立关系的，希望利用全面的句法信息来更好地指导学习过程。因此，我们引入了范围的概念，它概述了一个结构化的文本区域相关的特定目标。为了联合学习结构范围和预测情感极性，提出了一种混合图卷积网络（HGCN）来综合选区树和依赖树的信息，探索了将两种语法分析方法结合起来以丰富表示的潜力。在四个公共数据集上的实验结果表明，我们的HGCN模型优于当前最先进的基线。
2022-04-27 cs.AI cs.CL
A Joint Model for Aspect-Category Sentiment Analysis with Shared Sentiment Prediction Layer
Baidu Inc.（百度公司）
体类情感分析（ACSA）旨在预测文本中提到的体类及其对应的情感极性。已经提出了一些联合模式来处理这一任务。给定一个文本，这些联合模型检测文本中提到的所有方面类别，并立即预测对它们的情感极性。尽管这些联合模型获得了有希望的性能，但它们为每个方面类别训练单独的参数，因此存在某些方面类别的数据不足的问题。为了解决这个问题，我们提出了一种新的联合模型，其中包含一个共享的情感预测层。共享的情感预测层在方面类别之间传递情感知识，并解决了数据不足引起的问题。在SemEval-2016数据集上进行的实验证明了我们模型的有效性。
2021-10-20 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
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
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
Amplifying Aspect-Sentence Awareness: A Novel Approach for Aspect-Based Sentiment Analysis
Beihang University（北京航空航天大学）；University of Chinese Academy of Sciences（中国科学院大学）；Jigawa State Institute of Information Technology（吉加瓦州信息技术学院）
针对ABSA中方面与上下文关联不足及句法信息融合难题，本文提出A3SN，通过增强方面-句子感知注意力与门控融合提升语义建模，并在三个基准上超越SOTA模型。
2024-10-26 cs.AI cs.CL
Isomer: Transfer enhanced Dual-Channel Heterogeneous Dependency Attention Network for Aspect-based Sentiment Classification
ShangHai University of Electric Power（上海电力大学）
基于语义的情感分类旨在预测句子中特定方面的情感极性。然而，现有的依赖关系构建方法大多试图将依赖关系构建成具有稀疏性和模糊性的同构依赖图，无法全面覆盖短文本的语境化特征，也无法考虑任何附加的节点类型或语义关系信息。为了解决这些问题，我们提出了一个情感分析模型命名为异构体，它执行一个双通道的注意异构依赖图纳入外部知识，有效地整合其他额外的信息。具体而言，传输增强的双通道异构依赖注意网络的设计异构依赖图模型的短文本。这些异构依赖图不仅考虑不同类型的信息，而且还包含外部知识。实验研究表明，我们的模型优于最近的模型在基准数据集。此外，结果表明，我们的方法捕捉到的各种信息功能的重要性，专注于信息上下文的话。
2021-11-21 cs.AI 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
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
BERT-ASC: Auxiliary-Sentence Construction for Implicit Aspect Learning in Sentiment Analysis
Zhuiyi AI Lab（追义人工智能实验室）
本文提出BERT-ASC统一框架，通过构建辅助句子机制解决隐式方面分类与情感分析任务，在多个基准数据集上取得最先进性能。
2024-08-23 cs.AI cs.CL cs.LG
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
Multi-Aspect Sentiment Analysis with Latent Sentiment-Aspect Attribution
University of Houston（休斯顿大学）
在本文中，我们介绍了一个新的框架，称为情感方面归因模块（SAAM）。SAAM工作在传统的神经网络之上，旨在解决多方面的情感分类和情感回归问题。该框架的工作原理是利用文件级嵌入功能和文档级方面评分的变化之间的相关性。我们在基于CNN和RNN的模型之上展示了我们框架的几种变体。在酒店评论数据集和啤酒评论数据集上的实验表明，SAAM可以提高相应基础模型的情感分析性能。此外，由于我们的框架直观地将文档级分数与文档级分数结合在一起，因此能够更深入地了解数据（例如，半监督句子体标记）。因此，我们以详细的分析结束了本文，展示了我们的模型在其他应用中的潜力，如情感片段提取。
2020-12-15 cs.CL cs.LG
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
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
Learning to Attend via Word-Aspect Associative Fusion for Aspect-based Sentiment Analysis
Institute for Infocomm Research（信息通信研究院）；Nanyang Technological University（南洋理工大学）
基于语义的情感分析（ABSA）试图预测给定文档相对于给定方面实体的极性。虽然神经网络架构已经成功地预测句子的整体极性，特定方面的情感分析仍然是一个悬而未决的问题。在本文中，我们提出了一种新的方法集成方面的信息到神经模型。更具体地说，我们将方面的信息到神经模型建模词方面的关系。我们的新模型\textit{Aspect Fusion LSTM}（AF-LSTM）基于句子单词和方面之间的关联关系学习参与，这使得我们的模型能够自适应地关注给定方面术语的正确单词。这改善了其他最先进的模型的缺陷，利用天真的连接来建模词方面的相似性。相反，我们的模型采用循环卷积和循环相关来模拟方面和单词之间的相似性，并将其优雅地纳入可区分的神经注意力框架中。最后，我们的模型是端到端可微的，并且与卷积相关（类似全息）记忆高度相关。我们提出的神经模型在基准数据集上实现了最先进的性能，在多个数据集上的平均性能超过ATAE-LSTM $4\%-5\%$。
2017-12-14 cs.AI cs.CL cs.IR
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
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
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
Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
基于情感分析的评论文本的情感分析对于以细粒度的方式理解用户反馈具有重要价值。它通常有两个子任务：（i）从每个评论中提取方面，以及（ii）根据情感极性对基于方面的评论进行分类。在本文中，我们提出了一个弱监督的方法，基于方面的情感分析，它只使用几个关键字描述每个方面/情感，而不使用任何标记的例子。现有的方法要么只为其中一个子任务而设计，忽略了耦合两者的好处，要么基于可能包含重叠概念的主题模型。我们建议首先通过实施正则化来鼓励主题独特性，从而在词嵌入空间中学习<sentiment，aspect>联合主题嵌入，然后使用神经模型通过使用基于嵌入的预测预训练分类器并在未标记的数据上进行自我训练来概括词级判别信息。我们的综合性能分析表明，我们的方法生成高质量的联合主题，并在基准数据集上显著优于基线（方面和情感分类的平均F1得分分别增加7.4%和5.1%）。我们的代码和数据可在https://github.com/teapot123/JASen上获得。
2020-10-13 cs.CL cs.IR cs.LG
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
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
