SentiPrompt: Sentiment Knowledge Enhanced Prompt-Tuning for Aspect-Based Sentiment Analysis
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团)
基于情感的情感分析(ABSA)是一种新兴的细粒度情感分析任务,其目的是提取情感方面,分类相应的情感极性,并发现作为情感原因的观点。最新的研究倾向于使用端到端框架以统一的方式解决ABSA任务。然而,这些框架可以从下游任务中进行微调,而无需进行任何任务自适应修改。具体来说,他们没有很好地使用任务相关的知识,也没有明确地建模方面和意见术语之间的关系,这阻碍了他们更好的表现。在本文中,我们提出了SentiPrompt使用情感知识增强的提示,以调整统一的框架中的语言模型。我们注入情感方面的知识,意见和极性到提示和明确的模型术语关系,通过构建一致性和极性判断模板,从地面真理三元组。实验结果表明,我们的方法可以优于强基线的三元组提取,对提取,和方面的术语提取与情感分类的显着保证金。
2021-09-17 cs.AI cs.CL
AoM: Detecting Aspect-oriented Information for Multimodal Aspect-Based Sentiment Analysis
Nankai University(南开大学)
针对 MABSA 中粗粒度图文对齐导致的视觉噪声及其他方面描述造成的文本噪声,提出 AoM,通过方面感知注意力、情感嵌入和图卷积交互检测并聚合方面相关信息,实验表现优于现有方法。
2023-05-31 cs.AI cs.CL
Auto-ABSA: Cross-Domain Aspect Detection and Sentiment Analysis Using Auxiliary Sentences
The University of Hong Kong(香港大学);Johns Hopkins University(约翰斯·霍普金斯大学);Southern University of Science and Technology(南方科技大学)
本文提出Auto-ABSA方法,通过多方面检测模型预测方面并生成辅助句子,与原句结合作为SA模型输入,实现跨领域基于方面的情感分析,实验证明其优于无方面和全方面基线。
2024-10-15 cs.AI cs.CL
Aspect-Based Sentiment Analysis with Explicit Sentiment Augmentations
Jilin University(吉林大学)
针对ABSA任务中的隐式情感问题,提出融合显式情感增强的方法,通过后训练T5结合句法距离加权等技术生成增强样本,在两个基准上的隐式、显式情感准确率均超SOTA。
2023-12-18 cs.AI cs.CL
Aspect Sentiment Triplet Extraction Using Reinforcement Learning
SUTD(新加坡科技设计大学);IIT KGP(印度理工学院克勒格布尔分校)
方面情感三元组提取(ASTE)是提取方面的任务,他们的相关情感,并提供证据的意见条款所表达的情感。以前的ASTE方法通常同时提取所有三个成分,或者首先识别方面和观点术语,然后将它们配对以预测它们的情感极性。在这项工作中,我们提出了一种新的范式,ASTE-RL,把方面和意见条款的论点表达的情绪在一个分层的强化学习(RL)框架。我们首先关注句子中表达的情感,然后确定该情感的目标方面和观点术语。这考虑了三重态组分之间的相互作用,同时提高了探测和样本效率。此外,这种层次化的RLsetup使我们能够处理多个和重叠的三元组。在我们的实验中,我们在笔记本电脑和餐厅领域的现有数据集上评估了我们的模型,并表明它达到了最先进的性能。这项工作的实施情况可在https://github.com/declare-lab/ASTE-RL上公开查阅。
2021-08-13 cs.AI 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
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
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
Utilizing Large Language Models for Event Deconstruction to Enhance Multimodal Aspect-Based Sentiment Analysis
Xi’an Jiaotong University(西安交通大学)
本文提出MABSA-RL框架,利用大语言模型将文本分解为事件以降低多实体多情感分析复杂度,并通过强化学习优化参数,在两个基准数据集上取得优于现有方法的性能。
2024-10-18 cs.AI cs.CL
Human-Like Decision Making: Document-level Aspect Sentiment Classification via Hierarchical Reinforcement Learning
Soochow University(苏州大学);Alibaba Group(阿里巴巴集团)
最近,神经网络在文档层面的方面情感分类(DASC)上显示出了很好的结果。然而,这些方法往往提供很少的透明度w.r.t.其内在的工作机制,缺乏可解释性。为了模拟人类分析文档中方面情感的步骤,提出了一种新的层次强化学习(HRL)方法。该方法结合了小句选择和选词策略来解决DASC任务中的数据噪声问题。首先,提出了一个高层次的政策,以选择方面相关的条款和丢弃嘈杂的条款。然后,提出了一个低层次的政策,以选择情感相关的话,并删除所选条款内的噪音的话。最后,一个情感评级预测器被设计为提供奖励信号来指导子句和词的选择。实验结果表明,令人印象深刻的有效性,所提出的方法DASC超过国家的最先进的基线。
2019-10-21 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
ABSApp: A Portable Weakly-Supervised Aspect-Based Sentiment Extraction System
Intel AI Lab(英特尔人工智能实验室);Bar-Ilan University(巴伊兰大学)
我们提出了ABSApp,一个便携式系统弱监督方面为基础的情感提取。该系统是可解释的和用户友好的,并且不需要标记的训练数据,因此可以快速和经济有效地用于不同领域的应用设置。系统流程包括三个阶段:首先,它基于未标记的数据集生成特定于域的方面和意见词典;其次,它使用户能够查看和编辑这些词典(弱监督);最后,它使用户能够从同一域中选择未标记的目标数据集,对其进行分类,并生成基于方面的情感报告。ABSApp已成功用于许多实际用例,其中包括电影评论分析和惯例影响分析。
2019-09-12 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
Interactive Attention Networks for Aspect-Level Sentiment Classification
MOE Key Lab of Computational Linguistics, Peking University(北京大学计算语言学教育部重点实验室);Collaborative Innovation Center for Language Ability(语言能力协同创新中心)
情感层次的情感分类旨在识别特定目标在其上下文中的情感极性。以前的方法已经意识到目标在情感分类中的重要性,并开发了各种方法,其目标是通过生成特定于目标的表示来精确建模其上下文。然而,这些研究往往忽略了目标的单独建模。在本文中,我们认为,目标和上下文都值得特殊对待,需要通过互动学习来学习自己的表征。然后,我们提出了交互式注意力网络(IAN)的上下文和目标的交互式学习的注意力,并分别产生的目标和上下文的表示。通过这种设计,IAN模型可以很好地表示目标及其搭配上下文,这有助于情感分类。SemEval 2014数据集上的实验结果证明了我们模型的有效性。
2017-09-04 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
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
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
CONTRASTE: Supervised Contrastive Pre-training With Aspect-based Prompts For Aspect Sentiment Triplet Extraction
Indian Institute Of Technology Kharagpur(印度理工学院卡拉格普尔分校)
提出CONTRASTE预训练策略,利用基于方面提示的对比学习增强方面情感三元组抽取(ASTE)及多个ABSA任务性能,结合多任务微调方法在四个基准数据集上取得新SOTA。
2023-10-24 cs.AI 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
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
Exploring Conditional Text Generation for Aspect-Based Sentiment Analysis
University of Houston(休斯顿大学);Adobe Research(奥多比研究院)
基于情感的情感分析(ABSA)是一项NLP任务,需要处理用户生成的评论以确定(i)正在评估的目标,(ii)它所属的方面类别,以及(iii)对目标和方面对表达的情感。在本文中,我们建议将ABSA转换为一个抽象的摘要式条件文本生成任务,该任务使用目标、方面和极性来生成辅助语句。为了证明我们的任务制定和拟议系统的有效性,我们对条件文本生成任务的预训练模型进行了微调,以在一些餐馆领域和城市社区领域基准数据集上获得新的最先进的结果。
2021-10-07 cs.AI cs.CL cs.LG
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 Pairing Enhancement Approach for Aspect Sentiment Triplet Extraction
Soochow University(苏州大学)
提出一种基于对比学习的配对增强方法,在训练时注入方面-观点配对知识,提升方面情感三元组抽取性能,并在四个数据集上验证其有效性。
2023-06-11 cs.AI cs.CL cs.IR
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
EHSAN: Leveraging ChatGPT in a Hybrid Framework for Arabic Aspect-Based Sentiment Analysis in Healthcare
Newcastle University(纽卡斯尔大学)
针对阿拉伯语患者反馈分析不足的问题,提出EHSAN混合框架,结合ChatGPT伪标注与人工审核构建首个可解释的医疗方面级情感数据集,实验证明该方法高效可扩展,仅用少量人工监督即可达到高准确率。
2025-08-04 cs.AI cs.CL cs.LG