Exploring the topics, sentiments and hate speech in the Spanish information environment
University of Murcia(穆尔西亚大学)
本研究分析西班牙五家媒体2021年1月33万余条评论与推文,用BERTopic提取81个话题,发现社会与政治话题主导,内容以负面为主,仇恨言论虽低但毒性高。
2024-09-19 cs.CL
Video Games as a Corpus: Sentiment Analysis using Fallout New Vegas Dialog
University of Helsinki(赫尔辛基大学);École Normale Supérieure(巴黎高等师范学院)
我们提出了一种方法,用于从Fallout New Vegas中提取多语言情感注释对话数据集。游戏开发者已经在游戏中的每一行对话中预先注释了8种不同情感之一:\textit{anger, disgust, fear, happy, neutral, pained, sad }和\textit{surprised}。该游戏已被翻译成英语,西班牙语,德语,法语和意大利语。我们使用多语言BERT,XLMRoBERTa和语言特定的BERT模型提取的数据集上进行多语言,多标签情感分析的实验。在我们的实验中,对于大多数语言,多语言BERT的性能优于XLMRoBERTa,对于大多数语言,语言特定模型也略优于多语言BERT。最好的整体准确率为54%,它是通过使用西班牙语数据的多语言BERT。提取的数据集提出了一个具有挑战性的任务,情感分析。我们已经在Zenodo上公开发布了数据,包括测试和训练部分。由于版权原因,数据集被打乱了。
2022-12-05 cs.CL
UniSent: Universal Adaptable Sentiment Lexica for 1000+ Languages
University of California, Berkeley(加州大学伯克利分校);Volkswagen Group Data:Lab(大众集团数据实验室);Center for Information and Language Processing(信息与语言处理中心);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室)
在本文中,我们介绍了UniSent通用情感词汇的$1000+$语言。情感词典对于缺乏文档级注释的情感分析至关重要,这是低资源语言的一个非常常见的场景。据我们所知,UniSent是迄今为止最大的情感资源,涵盖的语言数量,包括许多低资源。在这项工作中,我们使用了大量的并行圣经语料库项目的情感信息从英语到其他语言的情感分析的Twitter数据。我们引入了一种称为DomDrift的方法,以减轻圣经和Twitter之间的巨大的域不匹配的信心加权方案,使用特定于域的嵌入比较最近的邻居的候选情感词在源(圣经)和目标(Twitter)域。我们评估UniSent的质量在一个子集的语言手动创建地面实况可用,马其顿语,捷克语,德语,西班牙语和法语。我们表明,UniSent的质量是手动创建的情感资源,当它被用作情感种子的任务,词的情感预测嵌入表示的顶部。此外,我们表明,表情符号的情绪可以可靠地预测在Twitter域中只使用UniSent和单语嵌入在德语,西班牙语,法语和意大利语。随着本文的发表,我们发布了UniSent情感词典。
2019-11-28 cs.CL
Amobee at SemEval-2018 Task 1: GRU Neural Network with a CNN Attention Mechanism for Sentiment Classification
Amobee
本文描述了Amobee在SemEval 2018上参与共享情感分析任务的情况。我们参与了所有的英语子任务和西班牙语效价任务。我们的系统由三个部分组成:训练特定于任务的词嵌入,训练一个由门控递归单元(GRU)和卷积神经网络(CNN)注意力机制组成的模型,并为每个子任务训练基于堆栈的集成。我们的算法分别在英语和西班牙语的价序分类子任务中达到了第3名和第1名。
2018-04-12 cs.CL stat.ML
WESSA at SemEval-2020 Task 9: Code-Mixed Sentiment Analysis using Transformers
WideBot
在本文中,我们描述了我们的系统提交的SemEval 2020任务9,情感分析代码混合社交媒体文本以及其他实验。我们表现最好的系统是一个基于迁移学习的模型,该模型对“XLM-RoBERTA”进行了微调,这是一个基于transformer的多语言掩蔽语言模型,用于单语英语和西班牙语数据以及西班牙语-英语代码混合数据。我们的系统通过使用测试集在官方排行榜上获得70.1%的平均F1分数,超过了官方任务基线。对于以后的提交,我们的系统设法在使用CodaLab用户名“ahmed 0 sultan”的测试集上实现75.9%的平均F1分数。
2020-09-21 cs.AI cs.CL
Palomino-Ochoa at SemEval-2020 Task 9: Robust System based on Transformer for Code-Mixed Sentiment Classification
Universidad Católica San Pablo(圣巴勃罗天主教大学)
我们提出了一个迁移学习系统来执行混合的西班牙语-英语情感分类任务。我们的建议使用最先进的语言模型BERT,并将其嵌入ULMFiT迁移学习管道中。这种组合使我们能够预测代码混合(英语-西班牙语)推文的极性检测。因此,在29个提交的系统中,我们的方法(称为dplominop)在SemEval 2020任务9的Sentimix Spanglish测试集上排名第四。事实上,我们的系统产生的加权F1得分值为0.755,可以很容易地复制-源代码和实现细节是可用的。
2020-11-18 cs.CL cs.LG
Bilingual Sentiment Embeddings: Joint Projection of Sentiment Across Languages
Institut für Maschinelle Sprachverarbeitung(机械语言处理研究所);University of Stuttgart(斯图加特大学)
低资源语言中的情感分析缺乏注释语料库来估计高性能模型。机器翻译和双语词嵌入通过跨语言情感方法提供了一些缓解。然而,它们要么需要大量的并行数据,要么不能充分捕获情感信息。我们引入双语情感嵌入(BLSE),共同代表情感信息的源和目标语言。该模型只需要一个小的双语词典,一个源语言语料库注释的情绪,和每种语言的单语词嵌入。我们对三种语言组合(西班牙语、加泰罗尼亚语、巴斯克语)进行了句子级跨语言情感分类实验,发现我们的模型在六个实验设置中的四个上显着优于最先进的方法,并且捕获了补充信息到机器翻译。我们对所得到的嵌入空间的分析提供了证据,证明它代表了资源贫乏的目标语言中的情感信息,而没有该语言中的任何注释数据。
2018-05-23 cs.CL
On the Effect of Word Order on Cross-lingual Sentiment Analysis
HEIG-VD(沃州工程与管理学院);EPFL(洛桑联邦理工学院);Universitat Pompeu Fabra(庞培法布拉大学);University of Oslo(奥斯陆大学)
当前用于情感分析的最新模型通过对语言建模目标进行预训练来显式地使用词序,或者通过使用递归神经网络(RNN)或卷积网络(CNN)来隐式地使用词序。这对于使用双语嵌入作为特征的跨语言模型来说是一个问题,因为源语言和目标语言之间的词序差异没有得到解决。在这项工作中,我们探讨了重新排序作为预处理步骤,用于两种语言组合(英语-西班牙语,英语-加泰罗尼亚语)的跨语言情感分类。我们发现,虽然重新排序对这两个模型都有帮助,但CNNS对局部重新排序更敏感,而全局重新排序对RNN有利。
2019-06-13 cs.CL
Multilingual Sentiment Analysis of Summarized Texts: A Cross-Language Study of Text Shortening Effects
本研究跨语言考察了抽取式与生成式摘要对多语言情感分类的影响,发现抽取式更能保留情感而生成式易致失真,并提出平衡可读性与情感保留的混合摘要方法。
2025-03-31 cs.CL
The futility of STILTs for the classification of lexical borrowings in Spanish
National Library of Norway AI-Lab(挪威国家图书馆人工智能实验室);LINHD, UNED(西班牙国家远程教育大学数字人文研究实验室)
第一版的IberLEF 2021关于自动检测借用(ADobo)的共享任务专注于检测出现在西班牙语媒体上的词汇借用,以及最近被导入到西班牙语中的词汇借用。在这项工作中,我们测试了中间标记数据任务(STILTs)的补充训练,从词性(POS),命名实体识别(NER),代码转换和语言识别方法到使用现有的预训练基于transformer的语言模型在令牌级别上对借款进行分类。我们广泛的实验结果表明,STILTs不提供任何改善直接微调的多语言模型。然而,在小的语言子集上训练的多语言模型比多语言BERT表现得更好,但不如给定数据集的多语言RoBERTa。
2021-09-17 cs.CL
UPB at SemEval-2020 Task 9: Identifying Sentiment in Code-Mixed Social Media Texts using Transformers and Multi-Task Learning
University Politehnica of Bucharest(布加勒斯特理工大学)
情感分析是一种广泛用于当今进行的意见挖掘活动的过程。这种现象在各种领域中有应用,特别是在收集与用户对特定主题的态度或满意度有关的信息方面。然而,当它应用于倾向于结合两种语言来表达思想和想法的文化时,管理这样一个过程的任务变得明显更加困难。通过交错两种语言的单词,用户可以轻松地表达,但代价是使文本对于那些不熟悉这种技术的人以及标准的意见挖掘算法来说都不太容易理解。在本文中,我们描述了我们的团队为SemEval-2020任务9开发的系统,旨在涵盖两种着名的代码混合语言:印地语-英语和西班牙语-英语。我们打算通过引入一种解决方案来解决这个问题,该解决方案利用了几种神经网络方法以及预训练的词嵌入。我们的方法(多语言BERT)在印地语-英语任务上取得了令人满意的表现,平均F1分数为0.6850,在比赛排行榜上注册,在62名参赛者中排名第16位。对于西班牙语-英语任务,我们使用另一种基于多语言转换器的模型XLM-RoBERTA获得了平均F1分数0.7064,在29名参与者中排名第17。
2020-09-06 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
IUST at SemEval-2020 Task 9: Sentiment Analysis for Code-Mixed Social Media Text using Deep Neural Networks and Linear Baselines
Iran University of Science and Technology(伊朗科技大学)
情感分析是自然语言处理的一个研究领域。然而,社交媒体的快速增长和其中的嘈杂内容对用成熟的方法和工具解决这个问题提出了重大挑战。其中一个挑战是代码混合,这意味着在社交媒体文本中使用不同的语言来传达思想。我们的团队名为IUST(用户名:TAHA),参加了SemEval-2020共享任务9关于代码混合社交媒体文本的情感分析,我们试图开发一个系统来预测给定代码混合推文的情感。我们使用了不同的预处理技术,并建议使用不同的方法,从NBSVM到更复杂的深度神经网络模型。我们的最佳执行方法获得了0.751的F1分数的西班牙语-英语子任务和0.706的印地语-英语子任务。
2020-07-24 cs.CL
Unveiling factors influencing judgment variation in Sentiment Analysis with Natural Language Processing and Statistics
Universidade da Coruña(拉科鲁尼亚大学);University of Augsburg(奥格斯堡大学)
本研究以西班牙语TripAdvisor评论为对象,利用单词标题和统计检验分析词性、情感词与中性词对众包极性判断差异的影响,发现形容词和情感词可降低差异、中性词提高差异,但该效应在长标题中未必复现。
2024-05-20 cs.CL
Improving Sentiment Analysis over non-English Tweets using Multilingual Transformers and Automatic Translation for Data-Augmentation
European Commission – DG-JRC(欧盟委员会联合研究中心)
与一般文本相比,推文是特定的文本数据。尽管在过去的十年中,对英语的tweets进行情感分析已经变得非常流行,但是仍然很难找到针对非英语语言的大型注释语料库。自然语言处理中最近兴起的Transformer模型允许在许多任务中实现无与伦比的性能,但这些模型需要相应的文本量来适应tweet域。我们建议使用多语言Transformer模型,我们对英语推文进行预训练,并使用自动翻译应用数据增强,以使模型适应非英语语言。我们在法语,西班牙语,德语和意大利语的实验表明,所提出的技术是一种有效的方法来提高结果的Transformers在非英语语言的小语料库的推文。
2020-10-07 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
Statistical sentiment analysis performance in Opinum
Prompsit Language Engineering(Prompsit语言工程公司)
对观点文本进行积极和消极的分类正成为情感分析中的一个非常感兴趣的主题。许多标签化观点的存在激发了统计和机器学习方法的使用。一阶统计量在这一领域被证明是非常有限的。Opinum方法基于单词的顺序,而不使用任何语法和语义信息。它包括建立一个概率模型的积极和另一个消极的意见。然后将测试意见与两个模型进行比较,并计算决策和置信度。为了降低训练语料库的复杂性,我们首先对文本进行词形化,并将大多数命名实体替换为通配符。Opinum在金融产品领域的西班牙意见准确率超过81%。在这项工作中,我们将讨论哪些是最重要的因素,对分类性能的影响。
2013-03-03 cs.CL
Improved Sentiment Detection via Label Transfer from Monolingual to Synthetic Code-Switched Text
Indian Institute of Technology, Kharagpur(印度理工学院克勒格布尔分校);Indian Institute of Technology, Bombay(印度理工学院孟买分校)
多语种作家和演讲者经常在一个语篇中交替使用两种语言,这种做法被称为“语码转换”。现有的情感检测方法通常在情感标记的单语文本上训练。手动标记的代码转换文本,特别是涉及少数民族语言的文本,是非常罕见的。因此,最好的单语方法在代码转换文本上的表现相对较差。我们提出了一种有效的技术,从标记的单语文本,这是更容易获得的标记代码转换的文本。我们的想法是取代精心挑选的子树的选区分析的句子中的资源丰富的语言与合适的令牌跨度从自动翻译到资源贫乏的语言。通过用大量的合成代码转换文本来增强稀缺的人类标记的代码转换文本,我们在三种不同的语言对(英语-印地语,英语-西班牙语和英语-孟加拉语)的情感标签准确率(1.5%,5.11%,7.20%)方面取得了显着的提高。我们还在仇恨言论检测方面获得了显着的收益:仅使用合成文本时提高了4%,如果使用真实文本进行增强,则提高了6%。
2019-06-13 cs.CL
A Multi-sentiment-resource Enhanced Attention Network for Sentiment Classification
Tsinghua University(清华大学);Peking University(北京大学)
用于情感分类的深度学习方法没有充分利用情感语言学知识。在本文中,我们提出了一个多情感资源增强注意力网络(MEAN),通过整合三种情感语言知识(例如,情感词汇、否定词、强度词)经由注意力机制输入到深度神经网络中。通过使用各种类型的情感资源,MEAN利用来自不同表示子空间的情感相关信息,这使得它更有效地捕捉情感,否定和强度词的整体语义用于情感预测。实验结果表明,MEAN算法具有较强的鲁棒性.
2018-07-13 cs.CL
Historical Ink: Exploring Large Language Models for Irony Detection in 19th-Century Spanish
Universidad de los Andes(安第斯大学)
本研究利用大型语言模型(BERT和GPT-4o)增强19世纪拉丁美洲报纸的反讽检测,通过半自动注释方法解决类别不平衡,贡献了新历史西班牙语数据集和融合历史文化的注释方法论。
2025-03-28 cs.AI cs.CL cs.DL
Improving Twitter Sentiment Classification via Multi-Level Sentiment-Enriched Word Embeddings
Pingdingshan University(平顶山学院)
现有的大多数工作学习特定于情感的词表示来改进Twitter情感分类,在学习过程中对n-gram和远程监督的tweet情感信息进行编码。他们假设推文中的所有单词都具有与整个推文相同的情感极性,这忽略了单词本身的情感极性。为了解决这个问题,我们提出了学习特定的情感词嵌入,同时利用词典资源和远程监督信息。提出了一种多层次情感丰富的词嵌入学习方法,该方法在学习过程中使用并行非对称神经网络对n-gram、词级情感和tweet级情感进行建模。标准基准测试的实验表明,我们的方法优于国家的最先进的方法。
2016-11-01 cs.CL
A Durability and Cross-Language Transfer Benchmark for a Validated Teaching-Feedback Classification Protocol
Universidad de Guadalajara(瓜达拉哈拉大学)
研究教学反馈分类协议的复用性问题,通过在原始西班牙数据上跨三代表示方法重新运行,并转移到英语,发现该协议具有耐久性,模型选择是部署决策而非方法特性。
2026-07-14 cs.CL cs.LG
Super Characters: A Conversion from Sentiment Classification to Image Classification
Gyrfalcon Technology Inc.(矛隼科技公司)
我们提出了一种名为超级字符的情感分类方法。该方法通过将文本投影到图像中,然后应用CNN模型进行分类,将情感分类问题转化为图像分类问题。文本特征是从生成的超级字符图像中自动提取的,因此不需要将单词或字符嵌入到数字矢量表示中的任何显式步骤。在大型社交媒体语料库上的实验结果表明,在中文、日文、韩文和英文四种不同语言的十个大型社交媒体数据集上,超级字符方法在情感分类和主题分类任务上的表现始终优于其他方法。
2018-10-15 cs.CL
A Sentiment Analysis Dataset for Code-Mixed Malayalam-English
Insight SFI Research Centre for Data Analytics(Insight SFI数据分析研究中心);National University of Ireland Galway(爱尔兰国立大学戈尔韦分校);Indian Institute of Information Technology and Management-Kerala(喀拉拉邦信息技术与管理学院)
对来自社交媒体的文本的情感分析的需求越来越大,社交媒体大多是代码混合的。在单语数据上训练的系统由于在文本的不同级别混合的复杂性而无法用于代码混合数据。但是,很少有资源可用于代码混合数据,以创建特定于此数据的模型。尽管多语言和跨语言情感分析的许多研究都使用了半监督或无监督的方法,但监督方法仍然表现得更好。只有少数流行语言的数据集可用,如英语-西班牙语,英语-印地语和英语-汉语。没有可用于马拉雅拉姆语-英语代码混合数据的资源。本文提出了一个新的黄金标准语料库的情感分析码混合文本的马拉雅拉姆语-英语注释的自愿注释。这个黄金标准语料库获得了数据集的Krippendorff α高于0.8。我们使用这个新的语料库提供的基准情感分析马英混合代码文本。
2020-05-30 cs.CL
NLP-CIC at SemEval-2020 Task 9: Analysing sentiment in code-switching language using a simple deep-learning classifier
CIC, Instituto Politécnico Nacional(墨西哥国立理工学院计算机研究中心)
语码转换是指在同一信息中使用两种或两种以上语言的现象。如今,在社交媒体中发现语言混合的消息是很常见的。这种现象对情感分析提出了挑战。在本文中,我们使用标准的卷积神经网络模型来预测西班牙语和英语混合语言的推文的情绪。我们的简单方法在竞争测试集上获得了0.71的F1分数。我们分析了我们最好的模型能力,并进行错误分析,以暴露在代码切换设置中分类情感的重要困难。
2020-09-07 cs.AI cs.CL
USA: Universal Sentiment Analysis Model & Construction of Japanese Sentiment Text Classification and Part of Speech Dataset
Yokohama National University(横滨国立大学);Pusan National University(釜山国立大学)
本文提出通用情感分析(USA)模型,利用单词与文本间的相互增强效应(MRE)并构建四个SCPOS数据集,在四项任务上超越gpt-3.5-turbo。
2023-09-14 cs.CL
SlangSD: Building and Using a Sentiment Dictionary of Slang Words for Short-Text Sentiment Classification
Arizona State University(亚利桑那州立大学)
社交媒体中的情绪越来越被认为是客户细分,市场理解和解决其他社会经济问题的重要资源。然而,社交媒体中的情绪很难衡量,因为用户生成的内容通常很短,而且不正式。虽然许多传统的情感分析方法已经被提出,识别俚语情感词仍然没有解决。原因之一是俚语情感词在现有的词典或情感词典中不可用。为此,我们建议建立第一个俚语情感词典,以帮助对社交媒体内容进行情感分析。收集和标注一个完整的俚语列表的情感极性是费力和耗时的。我们提出了一种方法,利用网络资源,构建一个广泛的俚语情感词词典(SlangSD),易于维护和扩展。SlangSD可公开用于研究目的。我们经验表明,使用SlangSD,新建成的俚语情感词词典的情感分类的优势,并提供的例子证明其易用性与现有的情感系统。
2016-08-17 cs.CL
Explaining a Neural Attention Model for Aspect-Based Sentiment Classification Using Diagnostic Classification
Delft University of Technology(代尔夫特理工大学);Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学);Bucharest Univ. of Economic Studies(布加勒斯特经济研究大学)
许多用于基于情感的情感分类(ABSC)的高性能机器学习模型产生黑盒模型,因此几乎不能解释它们如何将特定情感值分类到某个方面。在本文中,我们提出了解释模型,检查的内部动态的一个国家的最先进的神经注意力模型,LCR-Rot-Hop,通过使用一种技术称为诊断分类。我们的诊断分类器是一个简单的神经网络,它评估LCR-Rot-hop模型的内部层是否编码了用于分类的有用单词信息,即,词性、情感值、体关系的存在以及词的体相关情感值。我们的结论是,在LCR-Rot-hop模型的低层编码的部分语音和情感值,而高层表示的方面和方面相关的情感值的话的关系的存在。
2021-03-29 cs.CL
Syntax-Aware Aspect Level Sentiment Classification with Graph Attention Networks
Carnegie Mellon University(卡内基梅隆大学)
方面级情感分类旨在识别给定上下文句子的方面所表达的情感。以前的基于神经网络的方法在很大程度上忽略了一个句子中的句法结构。在本文中,我们提出了一种新的目标依赖图注意力网络(TD-GAT)的方面级别的情感分类,明确利用词之间的依赖关系。使用依赖图,它直接从方面目标的语法上下文传播情感特征。在我们的实验中,我们证明了我们的方法优于GloVe嵌入的多个基线。我们还证明,使用BERT表示进一步大幅提高性能。
2019-09-05 cs.CL
A Statistical Parsing Framework for Sentiment Classification
Beihang University(北京航空航天大学);Microsoft Research(微软研究院)
在这篇文章中,我们提出了一个统计分析框架,用于情感分类。不同于以往的作品,采用句法分析结果的情感分析,我们开发了一个统计分析器,直接分析句子的情感结构。我们证明了情感分析中的复杂现象(例如,否定、强化和对比)可以以统一和概率的方式与简单和直接的情感表达相同地处理。我们制定的情感语法上上下文无关文法(CFGs),并提供了一个正式的描述的情感分析框架。我们开发的解析模型,以获得可能的情感分析树的句子,从极性模型提出了推导出的情感强度和极性,和排名模型是专门选择最好的情感树。我们训练的解析器直接从句子的例子注释只有情感极性标签,但没有任何句法注释或极性注释的成分在句子内。因此,我们可以很容易地获得训练数据。特别是,我们训练一个情感分析器,S.分析器,从大量的评论句子与用户的评级作为粗略的情感极性标签。在现有基准数据集上进行的大量实验表明,与基线情感分类方法相比,该方法有显着的改进。
2015-03-05 cs.CL
The Model Arena for Cross-lingual Sentiment Analysis: A Comparative Study in the Era of Large Language Models
Dialpad Inc.(戴尔德公司)
本文在英语等多语言情感分析任务中实证比较了小型多语言模型与大语言模型,发现公开SMLM零样本性能更优,而公开LLM及GPT系列在少样本场景下适应力或表现存在差异。
2024-06-27 cs.CL
Aspect Level Sentiment Classification with Attention-over-Attention Neural Networks
Carnegie Mellon University(卡内基梅隆大学)
语义级情感分类的目的是识别给定上下文句子对某些方面表达的情感。在本文中,我们介绍了一个关注过度关注(AOA)的神经网络方面的水平情感分类。我们的方法模型方面和句子的联合方式,并明确捕捉方面和上下文句子之间的相互作用。通过AOA模块,我们的模型联合学习方面和句子的表示,并自动关注句子中的重要部分。我们在笔记本电脑和餐厅数据集上的实验表明,我们的方法优于以前的基于LSTM的架构。
2018-04-18 cs.CL
Emotions are Universal: Learning Sentiment Based Representations of Resource-Poor Languages using Siamese Networks
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术研究所)
针对情感分析对资源的依赖问题,提出基于孪生网络的SNASA模型,通过联合训练高低资源语言在公共情感空间学习表示,在多语言数据集上性能优于现有方法。
2018-04-03 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
Adversarial Deep Averaging Networks for Cross-Lingual Sentiment Classification
Cornell University(康奈尔大学)
近年来,英语情感分类取得了很大的成功,部分原因是大量的注释资源。不幸的是,大多数语言都没有如此丰富的标记数据。为了解决没有足够注释数据的低资源语言中的情感分类问题,我们提出了一个对抗性深度平均网络(ADAN),将从资源丰富的源语言上的标记数据中学习到的知识转移到资源丰富的语言中。只有未标记数据存在的低资源语言。ADAN有两个区分分支:情感分类器和对抗语言分类器。这两个分支都从共享的特征提取器获取输入,以学习同时指示分类任务和跨语言不变的隐藏表示。中文和阿拉伯文的情感分类实验表明,ADAN显着优于国家的最先进的系统。
2018-08-18 cs.CL
Enhancing Fine-grained Sentiment Classification Exploiting Local Context Embedding
SCNU(华南师范大学)
面向目标的情感分类是自然语言处理的一项细粒度任务,目的是分析目标的情感极性。为了提高情感分类的性能,许多方法提出了各种注意力机制来捕获目标的重要上下文词。然而,以前的方法忽视了目标情绪与当地环境的重要相关性。本文提出了一种局部上下文感知网络(LCA-Net),配备了局部上下文嵌入和局部上下文预测损失,通过强调局部上下文的情感信息来加强模型。在三个常见数据集上的实验结果表明,局部上下文感知网络在提取局部上下文特征方面优于现有方法。此外,局部上下文感知框架易于适应多种模型,具有改进其他目标级任务的潜力。
2021-02-01 cs.CL
Japanese Sentiment Classification using a Tree-Structured Long Short-Term Memory with Attention
Yahoo Japan Corporation(雅虎日本公司);Graduate School of System Design(系统设计研究生院);Tokyo Metropolitan University(东京都立大学)
以前训练基于语法的情感分类模型的方法需要短语级注释语料库,这在英语以外的许多语言中并不容易获得。因此,我们建议使用树结构的长短期记忆与注意力机制,注意到每个子树的解析树。实验结果表明,我们的模型达到了最先进的性能在日本的情感分类任务。
2018-09-30 cs.CL
Sensitive Data Detection and Classification in Spanish Clinical Text: Experiments with BERT
Vicomtech Foundation, Basque Research and Technology Alliance (BRTA)(维康特克基金会,巴斯克研究与技术联盟(BRTA))
大规模数字数据处理提供了广泛的机会和好处,但代价是危及个人数据隐私。匿名化包括从数据中删除或替换敏感信息,使其能够用于不同目的,同时保护个人隐私。多年来,已经提出了许多自动匿名化系统;然而,根据数据类型、目标语言或培训文档的可用性,任务仍然具有挑战性。在过去的两年中,新型深度学习模型的出现为自然语言处理领域的最新技术带来了巨大的进步。这些进步最明显的是由Google在2018年提出的模型BERT以及在数百万文档上预训练的共享语言模型。在本文中,我们使用一个基于BERT的序列标记模型进行了一系列的匿名化实验在西班牙语的几个临床数据集。我们还比较了BERT与其他算法。实验表明,一个简单的基于BERT的模型与一般领域的预训练获得了很高的竞争力的结果,没有任何特定领域的特征工程。
2020-03-17 cs.CL
Parameterized Convolutional Neural Networks for Aspect Level Sentiment Classification
Carnegie Mellon University(卡内基梅隆大学)
我们介绍了一种新的参数化卷积神经网络的方面水平的情感分类。使用参数化滤波器和参数化门,我们将方面的信息到卷积神经网络(CNN)。实验表明,我们的参数化过滤器和参数化门有效地捕捉特定于方面的功能,我们的基于CNN的模型在SemEval 2014数据集上取得了优异的结果。
2019-09-13 cs.CL
Attention Transfer Network for Aspect-level Sentiment Classification
Nanjing University(南京大学)
情感分类(ASC)的目的是检测句子中给定的意见目标的情感极性。在基于神经网络的情感支持向量机方法中,大多数研究都是利用注意力机制来捕获与目标意见相对应的情感词,然后将其聚合为证据来推断目标意见。然而,由于注释的复杂性,方面级数据集的规模都相对较小。数据稀缺性导致注意力机制有时无法关注目标对应的情感词,最终削弱了神经模型的性能。为了解决这个问题,本文提出了一种新的注意力转移网络(ATN),它可以成功地利用资源丰富的文档级情感分类数据集的注意力知识,以提高方面级情感分类任务的注意力能力。在ATN模型中,我们设计了两种不同的方法来转移注意力知识,并在两个ASC基准数据集上进行了实验。大量的实验结果表明,我们的方法始终优于国家的最先进的作品。进一步的分析也验证了ATN的有效性。
2020-10-23 cs.CL
A Deep Neural Architecture for Sentence-level Sentiment Classification in Twitter Social Networking
Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学)
本文介绍了一种新的深度学习框架,包括一个基于词典的方法,用于情感标签分布的预测级别。我们建议首先应用语义规则,然后使用深度卷积神经网络(DeepCNN)进行字符级嵌入,以增加单词级嵌入的信息。之后,双向长短期记忆网络(Bi-LSTM)从词级嵌入中产生一个全域特征表示。我们在三个Twitter情感分类数据集上评估了我们的方法。实验结果表明,该模型可以提高Twitter社交网络中情感分析的分类准确率。
2017-06-25 cs.CL
Linguistically Regularized LSTMs for Sentiment Classification
Tsinghua University(清华大学)
在过去的几十年里,情感理解一直是人工智能的长期目标。本文研究了情感分类问题。尽管最近已经提出了各种神经网络模型,然而,先前的模型要么依赖于昂贵的短语级注释,其性能在仅用短语级注释训练时大幅下降;要么不完全采用语言资源(例如,情感词汇、否定词、强度词),从而不能产生语言上连贯的表示。在本文中,我们提出了用语义级注释训练的简单模型,但也试图通过使用正则化器来生成语言上连贯的表示,这些正则化器对情感词汇、否定词和强度词的语言角色进行建模。结果表明,我们的模型是有效的捕捉情绪,否定和强度词的情绪转移效果,同时仍然获得有竞争力的结果,而不牺牲模型的简单性。
2017-04-25 cs.CL
Sentiment analysis is not solved! Assessing and probing sentiment classification
University of Oslo(奥斯陆大学)
SA的神经方法已经导致了对以前方法的定量改进,但这些进步并不总是伴随着对定性差异的彻底分析。因此,目前尚不清楚情感分析还存在哪些突出的概念挑战。在这项工作中,我们试图发现哪些挑战仍然证明英语情感分类器的问题,并提供一个具有挑战性的数据集。我们收集了一个(Oracle)最先进的情感分类器集合错误分类的句子子集,然后为它们注释了18种语言学和非语言学现象,如否定,讽刺,模态等。数据集可在https://github.com/ltgoslo/assessing_and_probing_sentiment上获得。最后,我们提供了一个案例研究,证明了有用的数据集探测一个给定的情感分类器的性能相对于语言现象。
2019-06-13 cs.CL
A Comparative Study on Linguistic Feature Selection in Sentiment Polarity Classification
University of Pittsburgh(匹兹堡大学)
情感极性分类可能是研究最广泛的主题。它将有意见的文件分类为表达积极或消极的意见。本文使用电影评论数据集,对不同的单一语言特征和这些特征的组合进行了比较研究。我们发现,经典的基于主题的分类器(朴素贝叶斯和支持向量机)不执行以及情感极性分类。我们发现,通过不同语言特征的组合,可以大大提高分类准确率。我们对这些结果给出了合理的解释。
2013-11-04 cs.CL
Sentiment and Sarcasm Classification with Multitask Learning
Instituto Politécnico Nacional(墨西哥国立理工学院);Nanyang Technological University(南洋理工大学);Adobe Research(奥多比研究院)
情感分类和讽刺检测都是自然语言处理的重要任务。在表达强烈情感的地方,感伤总是伴随着讽刺。然而,大多数文献认为它们是两个独立的任务。我们认为,讽刺检测的知识也可以有利于情感分类,反之亦然。我们证明了这两个任务是相关的,并使用深度神经网络提出了一个基于多任务学习的框架,该框架对这种相关性进行建模,以提高多任务学习环境中两个任务的性能。在基准数据集中,我们的方法比最新技术的性能高出3-4%。
2019-03-09 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
A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss
The Chinese University of Hong Kong(香港中文大学)
从用户评论中获取准确的摘要和情感是现代电子商务平台的重要组成部分。评论摘要旨在生成描述评论的关键观点和情感的简明摘要,而情感分类旨在预测指示评论的情感态度的情感标签。为了有效地利用评论摘要和情感分类任务中共享的情感信息,我们提出了一种新的双视图模型,该模型联合提高了这两个任务的性能。在我们的模型中,编码器首先学习一个上下文表示的审查,然后摘要解码器生成一个审查摘要逐字逐句。之后,源视图情感分类器使用编码的上下文表示来预测评论的情感标签,而摘要视图情感分类器使用解码器隐藏状态来预测生成的摘要的情感标签。在训练过程中,我们引入了不一致损失来惩罚这两个分类器之间的不一致。它帮助解码器生成一个摘要,使其与评论具有一致的情感倾向,并帮助两个情感分类器相互学习。在四个不同领域的真实数据集上的实验结果证明了该模型的有效性。
2021-02-02 cs.CL
CARBD-Ko: A Contextually Annotated Review Benchmark Dataset for Aspect-Level Sentiment Classification in Korean
Seoul National University(首尔大学)
本文针对韩语方面级情感分类中的上下文化和幻觉问题,提出包含双重极性标注的CARBD-Ko基准数据集,并采用孪生网络方法解决双重标记极性问题,为方面级情感分类研究提供重要资源。
2024-02-23 cs.CL
Negation Handling in Machine Learning-Based Sentiment Classification for Colloquial Arabic
Jazan University(吉赞大学)
情感分析的一个关键方面是否定处理,其中否定的发生可以翻转句子的情感,并对基于机器学习的情感分类产生负面影响。在阿拉伯语情感分析中,否定的作用仅在有限的程度上被探索,特别是对于阿拉伯语口语。在本文中,作者解决了基于机器学习的情感分类的阿拉伯语口语的否定问题。为此,我们提出了一个简单的基于规则的算法来处理这个问题;规则是根据观察到的许多否定情况来制定的。此外,简单的语言知识和情感词典用于此目的。作者还研究了所提出的算法对不同机器学习算法的性能的影响。所提出的算法给出的结果进行了比较与三个基线模型。实验结果表明,与基线相比,该算法对分类器的准确率、精确率和召回率都有积极的影响。
2021-07-24 cs.CL
Adapting Deep Learning for Sentiment Classification of Code-Switched Informal Short Text
Lahore University of Management Sciences(拉合尔管理科学大学)
如今,大量的短文本正在产生,这些短文本使用受区域语言影响的非标准写作风格。这种非正式和代码转换的内容在标记数据集和语言模型方面资源不足,即使是对于像情感分类这样的流行任务。在这项工作中,我们(1)提出了一个名为MultiSenti的标记数据集,用于代码转换非正式短文本的情感分类,(2)探索从资源丰富的语言中调整资源用于非正式语言的可行性,以及(3)提出了一个基于深度学习的代码转换非正式短文本情感分类模型。我们的目标是在没有任何词汇规范化、语言翻译或语码转换指示的情况下实现这一目标。所提出的模型的性能进行了比较,与现有的三种多语言情感分类模型。结果表明,所提出的模型在一般情况下表现更好,适应基于字符的嵌入产生相同的性能,而计算效率比训练基于单词的特定领域的嵌入。
2020-01-04 cs.CL
JUNLP@Dravidian-CodeMix-FIRE2020: Sentiment Classification of Code-Mixed Tweets using Bi-Directional RNN and Language Tags
Jadavpur University(贾达布尔大学)
情感分析在过去二十年中一直是一个活跃的研究领域,最近,随着社交媒体的出现,对社交媒体文本的情感分析的需求越来越大。由于社交媒体文本不是一种语言,并且在本质上主要是代码混合的,因此传统的情感分类模型无法产生可接受的结果。本文试图解决这一研究问题,并使用双向LSTM与语言标记,以促进情感标记的代码混合泰米尔语文本已从社交媒体中提取。在测试数据上进行评估时,所提出的算法的精确度、召回率和F1分数分别为0.59、0.66和0.58。
2020-10-20 cs.CL
Contextual and Position-Aware Factorization Machines for Sentiment Classification
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Yahoo! Research(雅虎研究院);Huawei Research America(华为美国研究院)
虽然现有的机器学习模型在情感分类方面取得了巨大的成功,但它们通常不会显式地捕获面向情感的单词交互,这可能导致在片段级别(短语或句子)进行细粒度分析的结果不佳。因式分解机为推荐系统提供了一种学习元素交互的可能方法,但由于无法对上下文和单词序列进行建模,它们并不直接适用于我们的任务。在这项工作中,我们开发了两个位置感知的因式分解机,考虑词的相互作用,上下文和位置信息。这些信息被联合编码在一组面向情感的词交互向量中。与传统的词嵌入相比,SWI向量明确地捕获面向情感的词交互,并简化了参数学习。实验结果表明,虽然它们具有与用于文档级分类的最先进方法相当的性能,但它们有利于片段/片段级情感分析。
2018-01-18 cs.CL
Leveraging Sentiment for Offensive Text Classification
University of Groningen(格罗宁根大学)
本文在OLID数据集上利用预训练模型预测情感并训练增强数据集,验证情感信息能提升冒犯性文本分类的整体性能。
2024-12-09 cs.CL
Sentiment Classification of Food Reviews
Stanford University(斯坦福大学)
评论的情感分析是自然语言处理中的一个热门任务。在这项工作中,我们的目标是用两个经过仔细调整的递归神经网络来预测1到5分的食品评论得分。至于基线,我们训练一个简单的RNN分类。然后我们把基线延伸到GRU。此外,我们提出了两种不同的方法来处理高度倾斜的数据,这是一个常见的问题的评论。使用精度评估模型。
2016-09-07 cs.CL