Prompt-Learning for Fine-Grained Entity Typing
Tsinghua University(清华大学);Alibaba Group(阿里巴巴集团);Seoul National University(首尔国立大学)
作为调整预训练语言模型(PLMs)以适应特定任务的一种有效方法,人工学习近年来受到了研究者的广泛关注。通过使用\textit{cloze}风格的语言提示来刺激PLM的通用知识,自动学习可以在一系列NLP任务上取得有希望的结果,例如自然语言推理,情感分类和知识探测。在这项工作中,我们研究了在完全监督,Few-Shot和zero-shot场景中细粒度实体类型化的学习应用。我们首先通过构建面向实体的动词化器和模板并进行掩码语言建模来开发一个简单有效的机器学习管道。此外,为了解决zero-shot制度,我们提出了一个自我监督的策略,进行分布级优化,自动总结实体类型的信息。在完全监督、Few-Shot和zero-shot设置下,对三个细粒度实体类型化基准(最多86个类)进行了广泛的实验,结果表明,自学习方法的性能显著优于微调基线,特别是当训练数据不足时。
2021-08-24 cs.AI cs.CL
Analyzing Political Bias in LLMs via Target-Oriented Sentiment Classification
Université Paris-Saclay, CEA, List(巴黎-萨克雷大学、欧洲原子能机构、List)
本研究提出基于熵不一致性指标的新方法,通过1319个政治人物姓名和450个政治句子在七模型六语言中分析LLM政治偏见,发现偏见普遍存在且与政治立场相关,更大模型偏见更强,并用虚构姓名部分缓解不可靠性。
2025-05-26 cs.AI cs.CL
Large Language Model Adaptation for Financial Sentiment Analysis
Lingua Custodia;Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG(格勒诺布尔阿尔卑斯大学,CNRS,格勒诺布尔INP,LIG)
本研究针对金融领域NLP任务挑战,聚焦金融情感分析,通过多策略微调两个1.5B参数以下基础模型,证明小模型经适配可达大模型性能且效率更高,还提出用LLM生成人工指令扩充数据集的方法。
2024-01-26 cs.AI cs.CL
NuNER: Entity Recognition Encoder Pre-training via LLM-Annotated Data
NuMind(纽迈因德);Université Paris Diderot(巴黎狄德罗大学)
本文提出NuNER,一种利用LLM标注数据预训练的紧凑型命名实体识别模型,在少样本场景下优于同规模基础模型并可与大模型竞争,验证了预训练数据规模与实体类型多样性的关键作用。
2024-02-23 cs.AI cs.CL cs.LG
Entity-Level Sentiment: More than the Sum of Its Parts
University of Oslo(奥斯陆大学);University of Bamberg(班贝格大学)
针对长文本实体情感研究不足的问题,该研究收集了含实体整体及句子级情感的专家标注数据集,发现实体整体情感与句子级情感聚合结果存在差异,为实体级情感的精准建模评估提供了支撑。
2024-09-17 cs.CL
Large Language Models for Czech Aspect-Based Sentiment Analysis
University of West Bohemia in Pilsen Faculty of Applied Sciences, Department of Computer Science(西波希米亚大学应用科学学院计算机科学与工程系)
本研究全面评估了19个大型语言模型在捷克语基于方面的情感分析中的表现,发现微调的小型领域特定模型优于通用LLMs,而微调LLMs达到最先进水平。
2025-08-11 cs.CL
Learning to Extract Cross-Domain Aspects and Understanding Sentiments Using Large Language Models
Indian Institute of Technology, Guwahati(印度古瓦哈蒂印度理工学院)
本研究分析大语言模型在跨领域基于方面的情感分析任务中的能力,构建可迁移的分析框架,在SemEval-2015 Task 12数据集上达到92%的准确率。
2025-01-15 cs.CL
Towards Foundation Models for Knowledge Graph Reasoning
Intel AI Lab(英特尔人工智能实验室);Mila(米拉计算研究所);University of Montréal(蒙特利尔大学);HEC Montréal(蒙特利尔高等商学院)
本文提出 ULTRA,通过以关系交互为条件学习通用可迁移图表示,使单个预训练模型可零样本泛化并微调到任意知识图谱,在57个KG上取得可比或优于专用基线的链接预测效果。
2024-04-09 cs.AI cs.CL
FinEntity: Entity-level Sentiment Classification for Financial Texts
Hong Kong University of Science and Technology(香港科技大学);Hong Kong Monetary Authority(香港金融管理局)
本文针对金融领域缺乏实体级情感分析数据集的问题,提出了名为FinEntity的数据集,标注金融实体跨度及情感,并对BERT、FinBERT和ChatGPT等模型进行基准测试,验证了其在监控加密货币市场的实用价值。
2023-10-19 cs.CL
Entity-level Sentiment Analysis in Contact Center Telephone Conversations
Dialpad Canada Inc.(Dialpad加拿大公司)
语义级情感分析预测给定文本中提到的实体的情感。在业务环境中,了解用户对某些实体(如产品或公司)的情感非常有用。在本文中,我们演示了我们如何开发一个实体级的情感分析系统,分析英语电话交谈的成绩单在联络中心提供业务洞察力。我们提出了两种方法,一种完全基于基于transformer的DistilBERT模型,另一种使用卷积神经网络补充一些启发式规则。
2022-10-26 cs.CL
A BERT based Sentiment Analysis and Key Entity Detection Approach for Online Financial Texts
Wuhan University of Technology(武汉理工大学)
互联网的出现和迅速发展给金融领域带来了越来越大的冲击。如何从海量的负面金融文本中快速、准确地挖掘出关键信息,成为投资者和决策者关注的关键问题之一。针对这一问题,提出了一种基于BERT的情感分析和关键实体检测方法,并将其应用于在线金融文本挖掘和社会媒体舆情分析。通过使用预训练模型,我们首先研究了情感分析,然后我们认为关键实体检测作为一个句子匹配或机器阅读理解(MRC)任务在不同的粒度。其中,我们主要关注负面情感信息。与传统的命名实体识别方法不同,本文提出的方法能够检测出特定的实体。此外,我们还使用集成学习来提高所提出的方法的性能。实验结果表明,在金融情感分析和关键实体检测数据集上,该方法的性能普遍高于SVM、LR、NBM和BERT。
2020-01-14 cs.CL
VIBE: A VAD-Informed Benchmark for Entity-Centered Affective Profiling of Large Language Model Outputs
本文提出基于VAD的VIBE基准,用于以实体为中心分析大型语言模型输出的情感,明确了测量契约,通过三个实证层面验证了相关假设,推动该领域成为规范化实践。
2026-08-05 cs.AI cs.CL
Approaches to Analysing Historical Newspapers Using LLMs
Institute of Contemporary History(当代史研究所);Faculty of Arts, University of Ljubljana(卢布尔雅那大学文学院);Faculty of Computer Science, University of Ljubljana(卢布尔雅那大学计算机科学学院)
本文结合主题建模和LLM情感分析,探讨20世纪初斯洛文尼亚历史报纸中集体身份和政治倾向的表达。
2026-03-27 cs.CL
Entity-Level Sentiment Analysis (ELSA): An exploratory task survey
University of Oslo(奥斯陆大学)
本文提出实体级情感分析(ELSA)任务,通过多领域评论标注与多级情感实验,证明现有代理任务难以准确推断文档对人物或组织的整体情感。
2023-04-27 cs.CL
Dynamic Span Interaction and Graph-Aware Memory for Entity-Level Sentiment Classification
Department of Computer Science and Engineering, Bangladesh University of Business and Technology(计算机科学与工程系,孟加拉国商业技术大学)
本文提出 SpanEIT 框架,通过动态片段交互和图感知记忆机制建模实体与情感短语关系,在 FSAD、BARU 和 IMDB 数据集上准确率和 F1 分数优于基线。
2025-10-12 cs.CL
Camellia: Benchmarking Cultural Biases in LLMs for Asian Languages
Georgia Institute of Technology(佐治亚理工学院);Samsung R&D Institute Philippines(三星菲律宾研发院);Sungkyunkwan University(成均馆大学);Tohoku University(东北大学);National University of Singapore(新加坡国立大学);University of Copenhagen(哥本哈根大学);University of Michigan(密歇根大学);Indian Institute of Technology Delhi(印度理工学院德里);Institute of Science Tokyo(东京科学研究院)
提出Camellia基准,通过三个任务评估九种亚洲语言中多语言大模型对亚洲与西方文化实体的偏见,发现模型存在文化适应困难、情感关联差异及实体提取性能差距。
2026-09-02 cs.CL
BioMatrix: Towards a Comprehensive Biological Foundation Model Spanning the Modality Matrix of Sequences, Structures, and Language
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);OpenDataLab, Shanghai Artificial Intelligence Laboratory(上海人工智能实验室 OpenDataLab);Zhejiang University(浙江大学);Shanghai Innovation Institute(上海创新研究院);East China Normal University(华东师范大学);Zhongguancun Academy(中关村学院);School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院)
提出首个原生多模态生物基础模型BioMatrix,通过统一分词方案将分子序列、结构、蛋白质序列、结构和自然语言映射到共享离散标记空间,在单一解码器架构下实现所有模态的统一生成,在80项任务中77项达到最优或竞争力水平。
2026-06-23 cs.AI cs.CL cs.LG
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto(波尔图大学)
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析,我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
SEntFiN 1.0: Entity-Aware Sentiment Analysis for Financial News
IIM Ahmedabad(印度艾哈迈达巴德管理学院);Aalto University(阿尔托大学)
本文针对金融新闻标题中多实体情感抽取的挑战,发布了人工标注数据集 SEntFiN 1.0,并提出基于特征的情感抽取框架,实验表明 RoBERTa 和 finBERT 取得最高 94.29% 准确率和 93.27% F1 分数,且验证了情感对市场运动的经济效应。
2023-05-20 cs.AI cs.CL cs.LG
A Multi-Source Entity-Level Sentiment Corpus for the Financial Domain: The FinLin Corpus
Insight Centre for Data Analytics(洞察数据分析中心);National University of Ireland, Galway(爱尔兰国立大学戈尔韦分校)
我们介绍FinLin,这是一个新颖的语料库,包含来自StockTwits的投资者报告,公司报告,新闻文章和微博,针对来自汽车行业的多个实体,覆盖3个月的时间。FinLin分别用范围为[-1.0,1.0]和[0.0,1.0]的情感得分和相关性得分进行注释。注释还包括为情感选择的文本跨度,从而提供对注释者推理的额外洞察。总的来说,FinLin旨在通过提供一个新颖的和公开的金融情绪语料库来补充现有的知识,并促进对金融情感分析主题的研究和在行为科学中的潜在应用。
2020-03-09 cs.CL
CERM: Context-aware Literature-based Discovery via Sentiment Analysis
Graduate School of Advanced Science and Technology, Tokyo Denki University(东京电机大学尖端科学技术研究生院);Sony AI, Sony Research Inc.(索尼研究院索尼人工智能部门)
本文提出实体关系情感分析(ERSA)任务及半监督架构CERM,通过结合词嵌入捕捉生物医学与食品概念间关系,以理解食物与健康关联,实验验证其高效性。
2024-01-27 cs.AI cs.CL cs.LG
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
Who Blames or Endorses Whom? Entity-to-Entity Directed Sentiment Extraction in News Text
Soongsil University(崇实大学);UCLA(加州大学洛杉矶分校)
理解新闻文本中谁在指责谁或支持谁是计算社会科学的一个重要研究问题。然而,用于情感分析的传统方法和数据集不适合政治文本领域,因为它们不考虑实体之间表达的情感的方向。在本文中,我们提出了一种新的NLP任务,从给定的新闻文档中识别政治实体之间的定向情感关系,我们称之为定向情感提取。从一个百万级的新闻语料库中,我们构建了一个数据集的新闻句子中的情感关系的政治实体手动注释。我们提出了一种简单但有效的方法来利用预训练的Transformer,它通过预测多个问答任务并结合结果来推断目标类。我们通过分析2016年美国总统大选和COVID-19这两个重大事件中政治实体之间的正面和负面意见,展示了我们提出的方法在社会科学研究问题中的实用性。新提出的问题,数据和方法将促进跨学科的NLP方法和应用的未来研究。
2021-06-22 cs.CL cs.CY cs.IR
RuSentNE-2023: Evaluating Entity-Oriented Sentiment Analysis on Russian News Texts
Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
本文介绍RuSentNE-2023评测,基于RuSentNE俄语新闻语料库评估句子级命名实体情感分析,最佳系统宏F值达66%,并验证ChatGPT零样本性能可达60%,相当于第4名。
2023-05-28 cs.CL
HAlf-MAsked Model for Named Entity Sentiment analysis
MTS AI(MTS人工智能)
针对RuSentNE-23命名实体情感分析任务,提出半掩码模型与集成方法,有效缓解过拟合,取得最佳结果并提升一致性。
2023-08-30 cs.CL cs.LG
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
Foundation Model's Embedded Representations May Detect Distribution Shift
Pacific Northwest National Laboratory(太平洋西北国家实验室);Stony Brook University(石溪大学);University of Washington(华盛顿大学);University of Texas, El Paso(德克萨斯大学埃尔帕索分校)
本研究通过Sentiment140数据集上的案例,发现预训练基础模型能检测训练与测试集间的分布偏移,并指出线性探测比微调更稳健,有助于模型泛化评估。
2024-02-02 cs.CL cs.LG
Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland's MANA Token
University of Pennsylvania(宾夕法尼亚大学);Microsoft(微软);Duke Kunshan University(杜克昆山大学)
本研究利用基于BERT的大语言模型对Decentraland的Discord社区进行情感分析,并结合多模态金融数据(历史价格、情感分数、交易量和市值)构建LSTM模型,发现多模态模型在MANA代币回报预测中显著优于仅基于价格的基线模型。
2026-04-04 cs.CE cs.CL cs.CR
Performance Comparison of Crowdworkers and NLP Tools on Named-Entity Recognition and Sentiment Analysis of Political Tweets
Boston University(波士顿大学)
我们报告了crowdworkers和七个自然语言处理(NLP)工具包在解决两个重要的NLP任务,命名实体识别(NER)和实体级情感(ELS)分析的准确性的比较结果。我们在这里关注一个具有挑战性的数据集,即2016年2月美国总统初选期间收集的1,000条政治推文。每条推文都提到了四位总统候选人中的至少一位,即,四个命名实体由政治传播专家建立的groundtruth具有推文中提到的每个候选人的实体级情感信息。我们测试了几个商业和开源工具。我们的实验表明,对于我们的政治推文数据集,最准确的NER系统Google Cloud NL的表现几乎与众包工作者不相上下,但最准确的ELS分析系统TensiStrength的准确性与众包工作者的准确性相差超过30%。
2020-08-11 cs.CL cs.LG cs.SI
METS-CoV: A Dataset of Medical Entity and Targeted Sentiment on COVID-19 Related Tweets
Zhejiang University(浙江大学);Peking University(北京大学);University of Cambridge(剑桥大学);Harvard Medical School(哈佛医学院);Westlake University(西湖大学)
COVID-19疫情继续在社交媒体上引发各种讨论或辩论的话题。为了探讨流行病对人们生活的影响,了解公众对流行病相关实体的关注和态度至关重要(例如,药物,疫苗)在社交媒体上。然而,在现有的命名实体识别(NER)或目标情感分析(TSA)数据集上训练的模型理解COVID-19相关社交媒体文本的能力有限,因为这些数据集不是从医学角度设计或注释的。本文发布了METS-CoV数据集,该数据集包含来自COVID-19相关推文的医疗实体和针对性情绪。METS-CoV包含10,000条推文,包含7种类型的实体,包括4种医学实体类型(疾病,药物,症状和疫苗)和3种一般实体类型(人员,位置和组织)。为了进一步调查推文用户对特定实体的态度,选择了4种类型的实体(人,组织,药物和疫苗)并使用用户情感进行注释,从而产生具有9,101个实体的目标情感数据集(在5,278条推文中)。据我们所知,METS-CoV是第一个收集医疗实体和COVID-19相关推文相应情绪的数据集。我们通过大量实验对经典机器学习模型和最先进的深度学习模型在NER和TSA任务上的性能进行了基准测试。结果表明,该数据集有巨大的改进空间,无论是NER和TSA任务。METS-CoV是开发更好的医学社交媒体工具和促进计算社会科学研究的重要资源,特别是在流行病学方面。我们的数据,注释指南,基准模型和源代码都是公开的(https://github.co…
2022-09-28 cs.CL
Entity-Specific Sentiment Classification of Yahoo News Comments
Yahoo Labs(雅虎实验室);University of North Texas(北德克萨斯大学)
情感分类广泛用于产品评论和在线社交媒体,如论坛,Twitter和博客。然而,对新闻网站上用户评论的情感进行分类的问题尚未得到解决。新闻网站涵盖了广泛的领域,包括政治,体育,技术和娱乐,而其他在线社交网站,如论坛和评论网站,这是特定于一个特定的领域。与新闻站点相关联的用户可能对不同的主题(例如,政治、智能手机和体育)或不同的实体(例如,奥巴马、iPhone或谷歌)。对与各种实体相关联的用户的情感进行分类可以帮助获得他们个性的整体视图,这在诸如在线广告、内容个性化和政治竞选规划等应用中可能是有用的。在本文中,我们制定的问题,在雅虎新闻的新闻文章发表评论的实体特定的情感分类,并提出新的功能,是特定的新闻评论。实验结果表明,我们的模型优于最先进的基线。
2015-06-11 cs.CL cs.IR cs.SI
LLMs vs. Traditional Sentiment Tools in Psychology: An Evaluation on Belgian-Dutch Narratives
University of Kansas(堪萨斯大学)
针对弗拉芒语(低资源语言变体)效价预测任务,对比评估三种荷兰语专用LLMs与传统词典工具LIWC、Pattern的表现,发现传统工具更优,挑战LLM情感分析优势假设,强调需定制低资源语言评估框架。
2025-11-10 cs.CL
Graph-Augmented Retrieval for Cross-Entity Financial Sentiment Analysis: A Comparative Study
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一种两跳图增强检索架构(Graph-RAG),通过构建情感加权知识图谱并融合密度检索与图遍历,相比标准向量检索在跨实体金融情感分析中显著提升实体召回率和复杂查询答案相关性。
2026-05-19 cs.CL
SMARTies: Sentiment Models for Arabic Target Entities
Columbia University(哥伦比亚大学)
我们认为实体级的情感分析在阿拉伯语,一个形态丰富的语言,资源不断增加。我们提出了一个系统,适用于复杂的职位写在阿拉伯语报纸的文章。我们的目标是在帖子中识别出重要的实体“目标”,以及每个目标所表达的极性。我们在多个基线上实现了显着的改进,表明使用特定的形态表示提高了识别重要目标及其情感的性能,并且使用分布语义聚类进一步提高了这些表示的性能,特别是当更丰富的语言资源不可用时。
2017-01-12 cs.CL
Product Market Demand Analysis Using NLP in Banglish Text with Sentiment Analysis and Named Entity Recognition
Brac University(布拉奇大学)
产品市场需求分析对企业竞争领域的影响是显而易见的,因此对企业战略的制定起着重要的作用。此外,大约有2.28亿母语为孟加拉语的人,其中大多数人使用孟加拉语文本在社交媒体上相互交流。随着社交媒体成为企业家的在线市场,消费者正在用孟加拉语文本在社交媒体上购买和评估商品。人们使用社交媒体通过与他们分享他们的正面和负面体验来找到首选的智能手机品牌和型号。出于这个原因,我们的目标是收集孟加拉语文本数据,并使用情感分析和命名实体识别来评估孟加拉国市场对智能手机的需求,以便按性别确定最受欢迎的智能手机。我们使用即时数据抓取器从社交媒体上抓取产品相关数据,并使用Python Web Scraper从维基百科和其他网站上抓取数据以获取产品信息。使用Python的Pandas和Seaborn库,使用NLP方法过滤原始数据。为了训练我们的数据集进行命名实体识别,我们使用了Spacey的自定义NER模型Amazon Comprehend Custom NER。采用参数调整的张量流序贯模型进行情感分析。同时,我们使用Google Cloud Translation API来估计使用BanglaLinga库的审稿人的性别。在本文中,我们使用自然语言处理(NLP)方法和几种机器学习模型来识别孟加拉国市场上最受欢迎的项目和服务。我们的模型在Spacy Custom命名实体识别中的准确率为87.99%,在Amazon…
2022-04-04 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
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文构建TBCOV大规模多语言COVID-19推文数据集,利用深度学习标注情感、实体、用户与性别,并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
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
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
PABSA: Hybrid Framework for Persian Aspect-Based Sentiment Analysis
Department of CS(计算机科学与信息科技系);Institute for Advanced Studies in Basic Sciences (IASBS)(基础科学高级研究所);Zanjan, Iran(伊朗赞詹)
针对波斯语情感分析数据稀缺等问题,提出融合多语言BERT特征与决策树的混合框架PABSA,在Pars-ABSA数据集上达到93.34%准确率,并引入同义词和实体词典增强文本。
2025-10-05 cs.CL cs.LG
Disentangling Aspect and Opinion Words in Target-based Sentiment Analysis using Lifelong Learning
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)
给定一个目标名称,它可以是一个产品方面或实体,识别其方面的词和意见的词在给定的语料库是一个细粒度的任务,基于目标的情感分析(TSA)。这个任务是具有挑战性的,特别是当我们没有标记的数据,我们想为任何给定的域执行它。为了解决这个问题,我们提出了一个一般的两阶段的方法。第一阶段提取/分组给定目标的目标相关词(呼叫t词)。这相对容易,因为我们可以应用现有的基于语义的学习技术。第二阶段将体和观点词从分组的t词中分离出来,这是一个挑战,因为我们通常没有足够的词级体和观点标签。在这项工作中,我们制定了这个问题在PU学习设置,并结合终身学习的思想来解决它。实验结果表明,我们的方法的有效性。
2018-02-16 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
Sentiment analysis in Tourism: Fine-tuning BERT or sentence embeddings concatenation?
LASTIMI Laboratory, EST Salé(LASTIMI实验室,萨累高等技术学院);Mohammed V University in Rabat(拉巴特穆罕默德五世大学)
该研究针对摩洛哥购物场所情感分析任务,对比了微调BERT与拼接两种句子嵌入提升堆叠BiLSTM-BiGRU模型性能的方法,还开展了最优学习率搜索及不同嵌入组合的最优优化器对比。
2023-12-12 cs.AI cs.CL
Review Based Entity Ranking using Fuzzy Logic Algorithmic Approach: Analysis
意见挖掘,也称为情感分析,是分析人们对产品、服务、组织、个人、问题、事件、主题及其属性等实体的意见、情感、评价、评价、态度和情感的研究领域。基于词典的整体方法不考虑每个观点的强度,即,该意见是非常强烈的负面(或正面)、强烈的负面(或正面)、中等的负面(或正面)、非常弱的负面(或正面)和弱的负面(或正面)。在本文中,我们提出的方法来排名实体的方向和强度的基础上的实体评论和用户的查询,通过将它们在粒度级别(即非常弱,弱,中等,非常强和强)相结合的意见词(即副词,形容词,名词和动词),涉及到某些产品的兴趣方面。我们将使用模糊逻辑算法的方法,以便将意见词分为不同的类别和句法依赖决议,以找到所需的方面的话的关系。与感兴趣的某些方面相关的意见词被认为是在评论中找到该方面的实体分数。
2025-10-27 cs.CL cs.LG
Survey of Aspect-based Sentiment Analysis Datasets
University of Houston(休斯顿大学);Adobe Research(Adobe研究院);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文综述了65个公开ABSA数据集,覆盖25个以上领域,梳理主要语料库特征、收集方法优缺点,并为未来语料库建设提供建议。
2023-09-21 cs.AI 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
Author's Sentiment Prediction
Stony Brook University(石溪大学)
我们介绍PerSenT,一个众包的作者对新闻文章中的主要实体所表达的情感注释的数据集。该数据集还包括段落级情感注释,为任务提供更细粒度的监督。我们对多个强基线的基准测试表明,这是一项困难的分类任务。结果还表明,简单地从BERT微调文档级表示是不足以完成这项任务的。做出段落级的决定并将其汇总到整个文档中也是无效的。我们提出了实证和定性分析,说明了这个数据集所带来的具体挑战。我们发布了这个数据集,其中包含5.3k文档和38k段落,涵盖3.2k个唯一实体,作为实体情感分析的挑战。
2020-11-12 cs.CL cs.LG
Supervised Complementary Entity Recognition with Augmented Key-value Pairs of Knowledge
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Tsinghua University(清华大学)
在产品评论的情感分析中,提取意见目标是一项重要任务,补充实体(产品)是一种重要类型的意见目标,可以与评论的产品一起工作。在本文中,我们解决的问题,互补实体识别(CER)作为一个监督序列标记的能力,扩展领域知识的关键值对从未标记的评论,通过自动学习和增强知识为基础的功能。我们使用条件随机场(CRF)作为基本的学习者和补充CRF与知识为基础的功能(称为知识为基础的CRF或KCRF简称)。我们进行的实验表明,KCRF有效地提高了监督CER任务的性能。
2017-05-29 cs.CL
Variational Semi-supervised Aspect-term Sentiment Analysis via Transformer
Ant Financial Services Group(蚂蚁金融服务集团)
长期以来,情感分析(ATSA)一直是自然语言理解领域的一个难题。它需要对文本中出现的目标实体进行细粒度的语义推理。由于手工标注方面是费力和耗时的,标记的数据量是有限的监督学习。本文提出了一种半监督的ATSA问题的方法,使用基于Transformer的变分自编码器(VAET),通过变分推理模型的潜在分布。通过将潜在表示分解为特定方面的情感和词汇上下文,我们的方法可以为未标记的数据诱导潜在的情感预测,从而使ATSA分类器受益。我们的方法是分类器不可知的,即,分类器是一个独立的模块,可以集成各种高级监督模型。在SemEval 2014任务4上获得的实验结果表明,我们的方法对四个经典分类器是有效的。所提出的方法优于两个一般的半监督方法,并达到最先进的性能。
2019-09-05 cs.CL
Tell Me Why You Feel That Way: Processing Compositional Dependency for Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE)
University of Hamburg(汉堡大学);Umeå University(于默奥大学)
情感分析已经从对整个句子的情感进行分类转变为提供句子中存在什么目标、各个目标具有什么情感以及负责该情感的因果词是什么的上下文信息。然而,这导致了对数据集的详细要求,这些数据集需要训练神经网络来完成确定实体、其情感以及该情感的因果词的联合三元组任务。需要这类数据来训练系统是有问题的,因为它们会受到叠加主观注释和域过度拟合的影响,导致在新的环境中应用时模型泛化能力差。随着我们今后试图共同确定其他背景要素,这些问题也可能变得更加复杂。为了缓解这些问题,我们提出了一种混合神经-符号方法,该方法利用依赖树-LSTM的组合情感解析结构和补充符号规则来正确地从句子中提取目标-情感-原因三元组,而不需要三元组训练数据。我们表明,这种方法有可能与最先进的方法保持一致,同时还简化了所需的数据,并通过Tree-LSTM提供了一定程度的可解释性。
2021-03-10 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
Powering Comparative Classification with Sentiment Analysis via Domain Adaptive Knowledge Transfer
University of California, Los Angeles(加州大学洛杉矶分校)
我们研究比较偏好分类(CPC),其目的是预测是否存在一个偏好比较两个实体之间在一个给定的句子,如果是这样的话,哪个实体是优于其他。高质量的CPC模型可以显著地有益于比较问答和基于评论的推荐等应用。在现有的方法中,非深度学习方法的性能较差。现有技术的基于图神经网络的ED-GAT(Ma等人,2020)只考虑句法信息,而忽略关键的语义关系和情感的比较实体。我们提出了情感分析增强比较网络(SAECON),它提高了CPC的准确性与情感分析器,学习情感的个人实体通过域自适应知识转移。在CompSent-19上的实验(Panchenko等人,2019)数据集在F1分数上比现有的最佳CPC方法有了显着的改进。
2021-09-07 cs.CL cs.LG
Fairness Metric Design Exploration in Multi-Domain Moral Sentiment Classification using Transformer-Based Models
Informatics Institute, University of Amsterdam(阿姆斯特丹大学信息学院);Department of Computer Science and Technology, SUNY Empire State University(纽约州立大学奥本大学计算机科学与技术系);Faculty of Computer Studies, Arab Open University, Oman(阿曼开放大学计算机研究学院)
针对跨领域道德情感分类中的公平性问题,本文评估了BERT和DistilBERT的跨领域性能差异,并提出MFC指标量化道德基础检测的跨领域稳定性,为公平性评估提供互补性诊断工具。
2025-10-13 cs.AI cs.CL
Exploring the Use of Foundation Models for Named Entity Recognition and Lemmatization Tasks in Slavic Languages
Adam Mickiewicz University(亚当·密茨凯维奇大学)
本文提出基于BERT和T5基础模型并结合外部数据集的斯拉夫语命名实体识别与词形还原方法,在SlavNER共享任务中取得高分,并公开词形还原模型。
2023-04-11 cs.CL