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
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
Incorporating Dynamic Semantics into Pre-Trained Language Model for Aspect-based Sentiment Analysis
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学);Meituan(美团);Tianjin University(天津大学)
基于情感分析的情感分析(ABSA)预测给定句子中特定方面的情感极性。虽然预先训练的语言模型(如BERT)已经取得了巨大的成功,但将动态语义变化纳入ABSA仍然具有挑战性。为此,在本文中,我们提出了解决这个问题的动态重新加权BERT(DR-BERT),一种新的方法,旨在学习动态面向方面的语义ABSA。具体来说,我们首先将Stack-BERT层作为主要编码器,以掌握句子的整体语义,然后通过引入轻量级的动态重加权适配器(Dynamic Re-weighting Adapter,简写为RWQ)对其进行微调。请注意,在每一步中,用户可以密切关注句子的一个小区域,并重新权衡至关重要的单词,以便更好地理解方面感知的情感。最后,在三个基准数据集上的实验结果证明了我们提出的模型的有效性和合理性,并为未来的语义建模提供了良好的解释性见解。
2022-11-23 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
LSA: Modeling Aspect Sentiment Coherency via Local Sentiment Aggregation
University of Exeter(埃克塞特大学)
本文提出局部情感聚合(LSA)范式,通过差分加权情感聚合窗口建模相邻方面的情感一致性,在五个公开数据集上取得最先进的方面情感分类性能,并展示了其在ABSC对抗防御中的潜力。
2024-04-01 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
Aspect-Sentiment-Multiple-Opinion Triplet Extraction
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);Tencent Inc.(腾讯公司)
方面情感三元组提取(ASTE)旨在从句子中提取方面术语(方面),情感和意见术语(意见)三元组,并且可以讲述一个完整的故事,即,讨论的方面,对方面的感情,以及感情的原因。ASTE是一个很有吸引力的任务,然而,ASTE提取的一个三元组只包括体的一个观点,但是句子中的体可能有多个对应的观点,并且一个观点只提供了体具有这种情感的部分原因,因此,ASTE提取的一些三元组很难理解,并且为下游任务提供错误信息。在本文中,我们介绍了一个新的任务,命名为方面情绪多意见三元组提取(ASMOTE)。ASMOTE旨在提取方面,情感和多个意见三元组。具体地说,ASMOTE提取的一个三元组包含关于方面的所有意见,并可以告诉方面具有情感的确切原因。我们提出了一个AGF框架来解决这个问题。AGF首先提取方面,然后预测他们的意见和情绪。此外,在所提出的序列标记注意力(SLA)的帮助下,AGF使用提取的意见提高了情感分类的性能。在多个数据集上的实验结果证明了该方法的有效性。
2021-10-14 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
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
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
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
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
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
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
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
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
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
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
Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction
College of Artificial Intelligence, Nankai University(南开大学人工智能学院);Cloopen Research(容联云研究院)
Aspect sentiment triplet extraction(ASTE)是细粒度意见挖掘中的一个新兴任务,它的目的是从评论句子中识别出Aspect及其相应的意见表达和情感。由于ASTE由多个子任务组成,包括意见实体提取,关系检测和情感分类,因此适当地捕获和利用它们之间的关联是至关重要和具有挑战性的。在本文中,我们将ASTE任务转化为一个多轮机器阅读理解(MTMRC)任务,并提出了一个双向MRC(BMRC)框架来解决这一挑战。具体而言,我们设计了三种类型的查询,包括非限制性提取查询,限制性提取查询和情感分类查询,以建立不同的子任务之间的关联。此外,考虑到一个方面的情感三元组可以从一个方面或意见表达,我们设计了一个双向的MRC结构。一个方向顺序地识别方面,意见表达和情感,以获得三元组,而另一个方向首先识别意见表达,然后是方面,最后是情感。通过使这两个方向相互补充,我们的框架可以更全面地识别三胞胎。为了验证我们的方法的有效性,我们在四个基准数据集上进行了广泛的实验。实验结果表明,BMRC达到了最先进的性能。
2021-03-13 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
Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks
Beijing Institute of Technology(北京理工大学);University of Padua(帕多瓦大学)
由于其固有的能力,在语义对齐的方面和他们的上下文词,注意力机制和卷积神经网络(CNN)被广泛应用于基于方面的情感分类。然而,这些模型缺乏一种机制,以占相关的句法约束和长范围的词的依赖关系,因此可能会错误地识别句法无关的上下文单词作为线索,判断方面的情绪。为了解决这个问题,我们建议建立一个图卷积网络(GCN)的依赖树的句子,利用句法信息和词的依赖关系。在此基础上,提出了一种新颖的面向特定方面的情感分类框架。三个基准集合上的实验表明,我们提出的模型具有相当的有效性,一系列的国家的最先进的模型,并进一步证明,语法信息和长范围的单词依赖关系被正确捕获的图卷积结构。
2019-10-13 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
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
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
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
A Variational Approach to Weakly Supervised Document-Level Multi-Aspect Sentiment Classification
Hong Kong University of Science and Technology(香港科技大学);University of Southern California(南加州大学)
在本文中,我们提出了一个变分方法弱监督的文档级多方面的情感分类。我们不使用用户生成的评级或领域专家提供的注释,而是使用目标意见词对作为“监督”。“这些词对可以通过使用依赖分析器和简单的规则来提取。我们的目标是预测一个目标词的意见词,而我们的最终目标是学习一个情感极性分类器来预测给定文档的每个方面的情感极性。通过引入潜在变量,即,情感极性,对于目标函数,我们可以通过变分下界将情感极性分类器注入目标。我们可以通过优化下界来学习情感极性分类器。我们表明,我们的方法可以在TripAdvisor和BeerAdvocate数据集上优于弱监督基线,并且可以与每个方面具有数百个标签的最先进的监督方法相媲美。
2019-04-10 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
Aspect Extraction and Sentiment Classification of Mobile Apps using App-Store Reviews
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
了解客户情绪对产品开发很有用。最重要的是,如果可以知道开发顺序的优先级,那么开发程序就会变得更简单。这项工作试图在移动应用领域解决这个问题。随着方面和意见提取这项工作还分类提取方面根据其重要性。这可以帮助开发人员将时间和精力集中在正确的地方。
2017-12-09 cs.CL
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