A Matter of Opinion: Sentiment Analysis and Business Intelligence (position paper)
对“情感分析“领域的普通观众介绍,主观的、面向观点的语言的计算处理(一个示例应用是确定评论是“赞成”还是“反对”)。一些挑战,商业智能任务的应用程序,和潜在的未来发展方向。
2005-04-06 cs.CL
Milestones in Bengali Sentiment Analysis leveraging Transformer-models: Fundamentals, Challenges and Future Directions
The Pennsylvania State University(宾夕法尼亚州立大学);Rajshahi University of Engineering & Technology(拉杰沙希工程技术大学)
本文系统梳理了基于Transformer模型的孟加拉语情感分析研究现状,分析了现有数据集不足与语言特性带来的挑战,并提出了未来改进方向。
2024-01-15 cs.CL
Research on the Application of Deep Learning-based BERT Model in Sentiment Analysis
Northeastern University(东北大学);Columbia University(哥伦比亚大学)
本文研究BERT模型在情感分析中的应用,通过实验验证其性能,并指出微调能显著提升效果,为未来研究和实践提供方向。
2024-03-13 cs.CL cs.LG
Enhanced Twitter Sentiment Classification Using Contextual Information
MIT(麻省理工学院)
随着Twitter的普及和普及,对推文的情感分析已经成为一个重要的研究领域。然而,对推文施加的140个字符的限制使得很难使用标准的语言学方法进行情感分类。另一方面,推特缺乏结构,但它们却用庞大的数量和丰富的元数据来弥补。该元数据包括地理位置、时间和作者信息。我们假设情绪依赖于所有这些背景因素。不同的地点,不同的时代,不同的作者,有着不同的情感价值。在本文中,我们通过利用远程监督收集来自不同地点,时间和作者的数百万条标记推文来探索这一假设。我们使用这些数据来分析不同作者,时间和地点的推文情绪的变化。一旦我们探索并理解了这些变量和情绪之间的关系,我们就使用贝叶斯方法将这些变量与更标准的语言特征(如n-gram)结合起来,创建了一个Twitter情绪分类器。这种组合分类器的性能优于纯语言分类器,表明将Twitter上丰富的上下文信息整合到情感分类中是一个很有前途的研究方向。
2021-01-02 cs.AI cs.CL cs.IR
Inconsistent Affective Reaction: Sentiment of Perception and Opinion in Urban Environments
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
本研究利用街景图像和微博文本数据,通过反应指数和多种分析方法,揭示城市环境中感知与观点情感的不一致性及其影响因素,为城市更新提供策略方向。
2025-10-08 cs.CL cs.LG cs.SI
Predicting the Effects of News Sentiments on the Stock Market
Queens University(皇后大学)
股票市场预测在商业活动的规划中非常重要。股票价格预测吸引了包括计算机科学、统计学、经济学、金融学和运筹学在内的多个学科的研究人员。最近的研究表明,公共领域的大量在线信息,如维基百科的使用模式,主流媒体的新闻报道和社交媒体讨论,可以对投资者对金融市场的看法产生明显的影响。股票市场预测的计算模型的可靠性对经济非常敏感,并可能直接导致经济损失。在本文中,我们检索,提取,并分析了新闻情绪对股票市场的影响。我们的主要贡献包括金融领域的情感分析字典的发展,基于字典的情感分析模型的发展,以及评估模型的新闻情绪对医药市场股票的影响。仅使用新闻情绪,我们在预测短期股票价格走势方面取得了70.59%的方向准确率。
2018-12-11 cs.CL cs.LG
Exploring celebrity influence on public attitude towards the COVID-19 pandemic: social media shared sentiment analysis
COVID-19疫情为健康传播带来新机遇,包括公众使用线上渠道表达健康相关情绪的增加。人们纷纷转向社交媒体网络分享与COVID-19疫情影响相关的情绪。在本文中,我们研究的作用,社会信息共享的人在公众眼中(即运动员,政治家,新闻人员),在确定整体公共话语方向。我们于二零二零年一月一日至二零二二年三月一日期间收集了约13,000,000条推文。使用微调的DistilRoBERTA模型计算每条推文的情绪,该模型用于比较与“公众眼中的人”同时出现的COVID-19疫苗相关推文(推文)。我们的研究结果表明,在2019冠状病毒病大流行的头两年,公众眼中的人物分享的信息中同时出现的情感内容的一致模式影响了公众舆论,并在很大程度上刺激了在线公共话语。我们证明,随着疫情的发展,公众在社交网络上的情绪受到公众眼中的人所共有的风险认知、政治意识形态和健康保护行为的影响,通常是负面的。
2023-02-23 cs.CL cs.IR cs.LG
The Association of Transformer-based Sentiment Analysis with Symptom Distress and Deterioration in Routine Psychotherapy Care
Sentio University(Sentio大学);Western Washington University(西雅图华盛顿大学)
本文研究了基于变换器的情感分析在心理治疗中的应用,探讨了情感特征与OQ-45量表的关系,发现情感特征与情绪价值相关性最强,并发现高风险患者的情感分布存在显著差异。
2026-05-11 cs.CL cs.LG
Adversarial Training in Affective Computing and Sentiment Analysis: Recent Advances and Perspectives
University of Augsburg(奥格斯堡大学);Imperial College London(帝国理工学院)
在过去的几年里,对抗训练已经成为一个非常活跃的研究课题,并已成功应用于各种人工智能(AI)领域。作为开发下一代情感AI系统的潜在关键技术,我们在此全面概述了对抗训练在情感计算和情感分析中的应用。相应地解释和讨论了各种代表性的对抗性训练算法,旨在解决与情感AI系统相关的各种挑战。此外,我们强调了一系列潜在的未来研究方向。我们希望这一概述将有助于促进学术界和工业界情感计算和情感分析的对抗训练的发展。
2018-09-21 cs.AI cs.CL cs.HC
Is Sentiment Banana-Shaped? Exploring the Geometry and Portability of Sentiment Concept Vectors
Aarhus University(奥胡斯大学)
本文评估了概念向量投影在不同领域、历史时期和语言中的可移植性,发现其在不同语料库间转移时性能损失小,并探讨了其线性假设的近似性。
2026-04-08 cs.CL
Sentiment analysis and opinion mining on educational data: A survey
University of Southern Queensland(南昆士兰大学);Lingnan University(岭南大学)
情感分析又名意见挖掘是最广泛使用的NLP应用程序之一,用于从评论中识别人类意图。在教育部门,意见挖掘被用来听取学生的意见,并从教学上加强他们的学习和教学实践。随着情感注释技术和人工智能方法的进步,学生评论可以在没有太多人为干预的情况下标记他们的情感取向。在这篇评论文章中,(1)我们从四个层面考虑情感分析在教育中的作用:文档级、句子级、实体级和方面级,(2)探索了情感注释技术,包括用于无监督注释的基于词典和基于语料库的方法,(3)讨论了AI在情感分析中的作用,包括机器学习、深度学习和Transformers,(4)提出情感分析对教育程序的影响,以提高教学、决策和评价。教育机构已经广泛投资于建立情感分析工具,并处理学生的反馈,以得出他们的意见和见解。本研究回顾了基于学生反馈的情感分析的应用。探讨了情感分析中的挑战,如多极化、多义、否定词和垃圾意见检测,并讨论了它们在研究领域的发展趋势。最后讨论了情感分析在教育领域的发展方向。
2023-02-08 cs.CL
Balotage in Argentina 2015, a sentiment analysis of tweets
Universidad Nacional de Chilecito(智莱西托国立大学);KUNAN;Universidad Nacional Experimental del Táchira(塔奇拉国立实验大学)
Twitter的社交网络包含了大量的信息产生的用户。这些信息由可能反映社会行为趋势的意见和评论组成。当有可能确定许多人共同的观点和评论时,就会谈到趋势。为了确定两个或多个书面意见是否共享同一地址,使用了自然语言处理(NLP)技术。本文提出了一种基于社会行为的情感分析函数NLP的Twitter预测方法。该案例研究选择了2015年阿根廷总统选举,并使用了由Vertica数据库组成的软件架构Big Data,其中包含称为Pulse的组件。通过分析,有可能发现总统候选人的投票意向趋势,在预测方面比传统系统调查更准确。
2016-11-07 cs.CL cs.IR cs.SI
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
Comprehensive Study on Sentiment Analysis: From Rule-based to modern LLM based system
该研究是一篇情感分析领域的全面综述,梳理了从传统规则、词典方法到深度学习、大语言模型时代的发展脉络,分析了双语处理、讽刺检测等核心挑战,总结了前沿方法与新兴趋势,指明了未来研究方向。
2024-09-16 cs.AI cs.CL cs.CY
Seq2Seq2Sentiment: Multimodal Sequence to Sequence Models for Sentiment Analysis
CMU(卡内基梅隆大学)
多模态机器学习是跨越语言、视觉和听觉模态的核心研究领域。多模态学习的核心挑战涉及学习能够处理和关联来自多种模态的信息的表示。在本文中,我们提出了两种无监督学习的联合多模态表示使用序列到序列(Seq 2Seq)的方法:\textit{Seq2Seq Modality Translation Model}和\textit{Hierarchical Seq2Seq Modality Translation Model}。我们还探索了这些seq 2seq模型的多模态输入和输出的多种不同变化。我们使用CMU-MOSI数据集对多模态情感分析进行的实验表明,我们的方法学习了优于基线的信息多模态表示,并在多模态情感分析上实现了性能的提高,特别是在双峰的情况下,我们的模型能够将F1得分提高12个点。我们还讨论了多模式Seq 2Seq方法的未来方向。
2018-08-06 cs.CL cs.LG stat.ML
Advancing Sentiment Analysis in Tamil-English Code-Mixed Texts: Challenges and Transformer-Based Solutions
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);Escuela Superior de Ingeniería Mecánica y Eléctrica (ESIME)(机械与电气工程高等学院)
本文针对泰米尔语-英语混合文本的情感分析挑战,评估了XLM-RoBERTa等Transformer模型在低资源环境中的表现,并指出数据增强与混合建模是未来提升准确率的关键方向。
2025-03-30 cs.CL
A Hybrid Approach for Aspect-Based Sentiment Analysis Using Deep Contextual Word Embeddings and Hierarchical Attention
Bucharest University of Economic Studies(布加勒斯特经济研究大学);Erasmus University Rotterdam(鹿特丹伊拉斯姆斯大学)
Web已经成为人们表达他们对感兴趣的实体及其相关方面的意见的主要平台。基于情感分析的情感分析(ABSA)旨在从有意见的文本中自动计算对这些方面的情感。在本文中,我们扩展了国家的最先进的混合方法基于情感的情感分析(HAABSA)方法在两个方向。首先,我们用深度上下文词嵌入代替非上下文词嵌入,以便更好地处理给定文本中的词语义。其次,我们使用层次注意力,通过添加一个额外的注意层的HAABSA高级表示,以增加方法的灵活性,在建模的输入数据。使用两个标准数据集(SemEval 2015和SemEval 2016),我们证明了所提出的扩展提高了ABSA构建模型的准确性。
2020-04-18 cs.CL
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
REFLECT: Role-Aware Detection of Sentiment, Emotion, Politeness, and Formality
University of Florida(佛罗里达大学)
该研究提出角色感知Transformer架构REFLECT,将SEPF维度映射到SRL配置并融入自注意力,在情绪、礼貌、正式度检测上优于BERT基线,还提升了真实数据的预测性能与可追溯性。
2026-10-12 cs.CL
Towards Arabic Multimodal Dataset for Sentiment Analysis
Université Amar Telidji(阿马尔·泰勒吉大学);Université de Ghardaia(盖尔达耶大学);Université Ziane Achour - Djelfa(杰勒法齐亚内·阿舒尔大学)
针对阿拉伯语多模态情感分析缺乏标准数据集的问题,本文设计了结合前沿Transformer与特征提取工具的词对齐数据集构建流水线,验证了阿拉伯语多模态情感分析的发展潜力。
2023-06-10 cs.CL cs.LG
Fault of Our Stars: Behavioral Drivers of Rating-Sentiment Incongruence
Department of Computer Science and Engineering(计算机科学与工程系);University of Moratuwa(穆拉图瓦大学)
本研究通过分析斯里兰卡旅游评论,发现18.6%的评论存在评分与文本情感不一致,并识别出保守评分者和强制性5星行为等模式,揭示了评分不能替代文本情感。
2026-07-02 cs.CL
Radical-level Ideograph Encoder for RNN-based Sentiment Analysis of Chinese and Japanese
Keio University(庆应义塾大学)
在非字母语言如汉语和日语中,字符词汇量可能非常大,这使得神经网络模型非常庞大以处理此类语言。我们探索了一种情感分类模型,该模型采用汉字的偏旁部首,即汉语的汉字和日语的汉字的嵌入。我们的模型由一个CNN词特征编码器和一个双向RNN文档特征编码器组成。所取得的结果与基于字符嵌入的模型相当,并且接近于最先进的基于词嵌入的模型,词汇量比基于字符嵌入的模型和基于词嵌入的模型小90%,并且参数分别比基于字符嵌入的模型和基于词嵌入的模型少至少13%和80%。实验结果表明,基于激进嵌入的方法对于中文和日文的机器学习是具有成本效益的。
2017-08-10 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 Sentiment Analysis Approach to the Prediction of Market Volatility
Birkbeck, University of London(伦敦大学伯贝克学院)
未来波动率和收益的预测和量化在金融建模、投资组合优化和风险管理中起着重要作用。如今,自然语言处理允许处理新闻和社交媒体评论,以检测投资者信心的信号。我们探讨了从金融新闻和推文中提取的情绪与FTSE 100指数走势之间的关系。我们研究了特定日期的情绪指标与第二天观察到的市场波动和回报之间的相关性强度。研究结果表明,有证据表明情绪和股票市场走势之间的相关性:从新闻标题中捕捉的情绪可以作为预测市场回报的信号;同样的情况不适用于波动性。此外,在一个令人惊讶的发现中,对于Twitter评论中发现的情绪,我们获得了-0.7的相关系数,p值低于0.05,这表明在给定的一天从推文中捕获的积极情绪与第二天观察到的波动性之间存在强烈的负相关性。我们开发了一个准确的分类器,用于预测市场波动,以响应新信息的到来,通过部署主题建模,基于潜在的Dirichlet分配,从一组推文和金融新闻中提取特征向量。所获得的特征被用作分类器的附加输入。由于情感和主题建模的结合,我们的分类器实现了63%的波动方向预测准确率。
2020-12-10 cs.AI cs.CL q-fin.ST
Visual Sentiment Analysis: A Natural DisasterUse-case Task at MediaEval 2021
SimulaMet;Hamad Bin Khalifa University(哈马德·本·哈利法大学);University of Trento(特伦托大学)
MediaEval首次提供视觉情感分析任务。该任务的主要目的是预测社交媒体上分享的自然灾害图像的情绪反应。与灾害相关的图像通常是复杂的,并且经常引起情感反应,使其成为视觉情感分析的理想用例。我们认为,能够对自然灾害相关数据进行有意义的分析可能具有重大的社会意义,在这方面的共同努力可以为未来的研究开辟几个有趣的方向。该任务由三个子任务组成,每个子任务旨在探索挑战的不同方面。在本文中,我们提供了任务的详细概述,任务的一般动机,以及用于评估所提出的解决方案的数据集和指标的概述。
2021-11-22 cs.CL
Sentiment Analysis for Arabic in Social Media Network: A Systematic Mapping Study
University of Malaya(马来亚大学);University of Brunei Darussalam(文莱达鲁萨兰大学);Kano University of Science and Technology(卡诺科技大学)
随着互联网和社交媒体招标的扩大,阿拉伯语情感分析(ASA)在文本挖掘研究领域占据了重要地位,并一直用于探索用户对互联网上的服务,各种产品或主题的情感。本文旨在全面调查ASA研究领域的人口统计学、生育率和方向。此外,计划分析当前的ASA技术,并在研究中找到运动。本文描述了一个系统的映射研究(SMS)的51个主要选择的研究(PSS)是处理与基于证据的系统方法,以确保处理所有相关文件的批准。分析结果显示,自2015年以来,ASA的研究领域和每年的出版物数量都有所增加。三个主要的研究方面,即验证,解决方案和评估研究,解决方案的研究成为更多的治疗比另一种研究类型。因此,许多贡献方面被挑出来。总体而言,ASA研究领域的一般人口统计数据得到了强调和讨论
2019-10-26 cs.CL cs.SI
Sentiment Analysis in Software Engineering: Evaluating Generative Pre-trained Transformers
该研究针对软件工程领域情感分析的语境细微性问题,对比评估了BERT等双向Transformer与GPT-4o-mini在不同数据集、不同配置下的性能,揭示了微调与预训练模型的权衡关系,为领域适配工具优化提供了方向。
2025-04-22 cs.CL cs.LG cs.SE
Highlight Timestamp Detection Model for Comedy Videos via Multimodal Sentiment Analysis
NTU(南洋理工大学)
如今,互联网上的视频很流行。对视频的精确和深入理解对于平台和研究人员来说都是一个困难但有价值的问题。现有的视频理解模型在对象识别任务中表现良好,但目前仍然不能理解喜剧视频中的突出幽默帧等抽象和上下文特征。当前的工业工作也主要集中在基于对象外观的基本类别分类任务上。针对抽象类的特征检测方法仍是空白。一种包含视频帧信息、音频频谱信息和文本信息的数据结构提供了一个新的探索方向。多模态模型的提出,使这种深入的视频理解任务成为可能。在本文中,我们分析了视频的抽象理解的困难,并提出了一种多模态结构,以获得在这一领域的最先进的性能。然后,我们选择了多模态视频理解的几个基准,并应用最合适的模型,以找到最佳的性能。最后,对本文的模型和方法进行了总结和评价,并指出了进一步改进的方向。
2021-05-28 cs.AI cs.CL cs.CV
Deep Learning versus Traditional Classifiers on Vietnamese Students' Feedback Corpus
学生反馈是收集学生意见、提高培训活动质量的重要来源。对学生反馈数据实施情感分析,我们可以确定表达机构中所有问题的情感极性,因为将应用必要的改变来提高教学质量。本研究以一所大学的越南学生反馈语料库为研究对象,采用机器学习和自然语言处理技术(朴素贝叶斯、最大熵、长短期记忆、双向长短期记忆)对学生的反馈进行研究。最后根据不同的评价标准对模型进行了比较和评价,以找出最有效的模型。实验结果表明,双向长短期记忆算法优于其他三种算法的F1分数测量92.0%的情感分类任务和89.6%的主题分类任务。此外,我们开发了一个情感分析应用程序分析学生的反馈。该应用程序将帮助该机构认识到学生对一个问题的意见,并确定仍然存在的缺点。通过使用该应用程序,机构可以提出适当的方法,以提高未来培训活动的质量。
2019-11-17 cs.CL cs.CY cs.LG
Beyond Correlation: Refutation-Validated Aspect-Based Sentiment Analysis for Explainable Energy Market Returns
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Institute of High Performance Computing, Agency for Science, Technology and Research(科技研究局高性能计算研究所);College of Design and Engineering, National University of Singapore(新加坡国立大学设计与工程学院)
本文提出了一种基于反驳验证的方面情感分析框架,用于金融市场,解决相关性研究无法区分真实关联与虚假关联的局限性。通过能源领域数据测试方面情感信号与股票收益之间的稳健关系。
2026-03-23 cs.AI cs.CL cs.LG
Explaining Recurrent Neural Network Predictions in Sentiment Analysis
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Technische Universität Berlin(柏林工业大学);Korea University(高丽大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
最近,一种称为分层相关传播(LRP)的技术被证明可以以输入空间相关性的形式提供有见地的解释,以理解前馈神经网络分类决策。在目前的工作中,我们将LRP的使用扩展到递归神经网络。我们提出了一个特定的传播规则适用于乘法连接,因为它们出现在经常性的网络架构,如LSTM和GRU。我们将我们的技术应用于一个基于单词的双向LSTM模型,并对五类情感预测任务进行了定性和定量评估,获得了比以前工作中使用的基于梯度的相关方法更好的结果。
2017-08-04 cs.AI cs.CL cs.NE
A Survey of Quantum-Cognitively Inspired Sentiment Analysis Models
Beijing Institute of Technology(北京理工大学);University of Copenhagen(哥本哈根大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Zhengzhou University of Light Industry(郑州轻工业大学);The Open University(开放大学)
本文综述量子认知启发的情感分析模型,梳理量子概率与量子认知的理论基础、代表性模型及其应对任务挑战的方式,并指出局限与未来方向。
2023-06-06 cs.AI cs.CL
A Survey on Sentiment and Emotion Analysis for Computational Literary Studies
Institut für Maschinelle Sprachverarbeitung(机器语言处理研究所);University of Stuttgart(斯图加特大学)
情感是令人信服的叙事的重要组成部分:文学告诉我们人们的目标,欲望,激情和意图。情感分析是情感分析的一个分支,在文学研究中受到越来越多的关注。以往对文学情感维度的研究主要是在文学解释学的语境中进行的。然而,随着被称为数字人文(DH)的研究领域的出现,一些在文学背景下的情感研究已经采取了计算转向。鉴于DH仍在作为一个领域形成的事实,这一研究方向可以相对较新。在这项调查中,我们提供了一个概述现有的机构的研究情绪分析应用于文学。正在审查的研究涉及各种主题,包括跟踪情节发展的戏剧性变化,文学文本的网络分析,以及理解文本的情感等主题。
2022-07-11 cs.CL
Sentiment Analysis of Citations in Scientific Articles Using ChatGPT: Identifying Potential Biases and Conflicts of Interest
Labged Laboratory, Computer Science department(计算机科学系实验室);Badji Mokhtar Annaba University(巴吉·莫克塔尔安纳巴大学)
本文利用ChatGPT对科学论文中的引用进行情感分析,以识别潜在的偏见和利益冲突,提升学术研究的诚信度。
2026-03-06 cs.CL cs.DL
BARRAC: Adaptation of an English Aspect-based Sentiment Analysis Approach for Classification Tasks in Arabic Dialects
University of New South Wales(新南威尔士大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文提出BARRAC,将英文基于方面的情感分析框架适配至阿拉伯语分类任务,在五个方言数据集上平均宏F1达63.93%,优于现有少标签方法及GPT-4o,证明任务特定方法适配的有效性。
2026-10-01 cs.AI cs.CL
Exploiting Coarse-to-Fine Task Transfer for Aspect-level Sentiment Classification
Hong Kong University of Science and Technology(香港科技大学);Tencent AI Lab(腾讯人工智能实验室);The Chinese University of Hong Kong(香港中文大学)
体层情感分类(ASC)旨在识别对句子中的体的情感极性,其中体可以表现为一般体类别(AC)或特定体术语(AT)。然而,由于特别昂贵和劳动密集型的标签,现有的AT级公共语料库都相对较小。同时,大多数以前的方法依赖于复杂的结构,给定的稀缺数据,这在很大程度上限制了神经模型的有效性。在本文中,我们开发了一个新的方向命名为粗到细的任务转移,其目的是利用知识学习的粗粒度AC任务,这是更容易访问的资源丰富的源域,以提高学习在一个低资源的目标域的细粒度AT任务。为了解决领域间的特征粒度不一致和特征不匹配问题,我们提出了一种多粒度对齐网络(MGAN)。在MGAN中,一种新的由辅助任务引导的Coarse 2Fine注意可以帮助AC任务在与AT任务相同的细粒度级别上建模。为了减少特征的错误对齐,采用对比特征对齐方法来对齐特定方面的特征表示语义。此外,还提供了用于AC任务的大规模多域数据集。经验上,大量的实验证明了MGAN的有效性。
2018-11-16 cs.CL cs.LG stat.ML
Sensitivity Analysis on Transferred Neural Architectures of BERT and GPT-2 for Financial Sentiment Analysis
University of Toronto(多伦多大学)
新的NLP词嵌入和深度学习技术的爆炸式发展已经引起了对潜在应用的重大努力。其中一个方向是金融部门。虽然在GPT和BERT等最先进的模型中做了很多工作,但关于这些方法在预训练后通过微调的表现以及关于其参数敏感性的信息相对较少。我们研究了来自预训练的GPT-2和BERT模型的转移神经架构的性能和灵敏度。我们基于冻结Transformer层、批量大小和学习率来测试微调性能。我们发现BERT的参数在微调时对随机性非常敏感,而GPT-2在微调时更稳定。同样清楚的是,GPT-2和BERT的早期层包含应该维护的基本单词模式信息。
2022-07-07 cs.CL
A Sentiment Analysis of Medical Text Based on Deep Learning
College of Big Data and Software(大数据与软件学院);Chongqing University(重庆大学)
本文针对医学文本数据不足及模型设计影响情感分析效果的问题,以 BERT 为基础并结合 CNN、FCN、GCN 在 METS-CoV 上实验,发现小数据集场景下 CNN 效果最佳。
2024-04-16 cs.AI cs.CL
Towards Robust Multimodal Sentiment Analysis with Incomplete Data
School of Data Science, The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);University College London(伦敦大学学院);School of Computer Science, Wuhan University(武汉大学计算机学院)
针对多模态情感分析中的数据不完整问题,提出以语言为主导模态的LNLN网络,通过DMC和DMML模块保障主导模态表征质量,在多数据集随机缺失场景下性能优于现有基线。
2024-11-01 cs.AI cs.CL cs.MM
Arabic Sentiment Analysis with Noisy Deep Explainable Model
Virginia Tech(弗吉尼亚理工大学);Fraunhofer Institute for Applied Information Technology FIT(弗劳恩霍夫应用信息技术研究所);University of Siegen(锡根大学);UITS(达卡大学信息技术学院);Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡根应用科学大学)
本文提出一种阿拉伯语可解释情感分类框架,通过在BiLSTM和CNN-BiLSTM模型中引入噪声层以克服过拟合并提升性能,同时利用局部替代模型提供预测解释,增强透明度。
2023-11-29 cs.AI cs.CL
A Span-level Bidirectional Network for Aspect Sentiment Triplet Extraction
Aerospace Information Research Institute(空天信息创新研究院);School of Electronic, Electrical and Communication Engineering(电子电气与通信工程学院);University of Chinese Academy of Sciences(中国科学院大学)
方面情感三元组提取(ASTE)是一种新的细粒度的情感分析任务,旨在从评论句子中提取方面术语,情感和意见术语三元组。近年来,跨级模型利用对所有可能跨的预测,在ASTE任务上取得了令人满意的结果。由于所有可能的跨度都显著增加了潜在方面和观点候选者的数量,因此有效地提取其中的三元组元素是至关重要和具有挑战性的。在本文中,我们提出了一个跨度级的双向网络,利用所有可能的跨度作为输入,并提取三元组跨度双向。具体来说,我们设计的方面解码器和意见解码器解码的跨度表示和提取三元组方面的意见和意见方面的方向。通过这两种解码器的互补,整个网络可以更全面地从跨度中提取三元组。此外,考虑到跨度之间不能保证互斥,设计了相似跨度分离损失,通过在训练过程中扩大相似跨度的KL散度,方便下游区分正确跨度的任务;在推理过程中,采用基于置信度的推理策略,从结果中去除冲突三元组。实验结果表明,我们的框架不仅显着优于国家的最先进的方法,但取得更好的性能,在预测三元组与多令牌实体和提取三元组包含多个三元组的句子。
2022-11-10 cs.AI cs.CL
Evaluating Span Extraction in Generative Paradigm: A Reflection on Aspect-Based Sentiment Analysis
KAIST AI(韩国科学技术院人工智能学院);SAIT, Samsung Electronics(三星电子SAIT研究院)
本文针对生成式范式模糊理解与生成任务边界带来的ABSA评估挑战,分析现有评估范式优劣,阐明生成输出与跨任务指标对齐的复杂性,为制定适配生成范式的ABSA评估指南奠定基础。
2024-04-17 cs.CL
Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Nanyang Technological University(南洋理工大学);Chinese University of Hong Kong(香港中文大学)
提出统一的双向生成框架,通过文本到标签和标签到文本双向训练生成模型,学习域无关特征并增强数据,在四个跨域ABSA任务上取得最优结果。
2023-05-16 cs.CL
Towards Autoencoding Variational Inference for Aspect-based Opinion Summary
University of Information Technology(信息技术大学);Ho Chi Minh City University of Technology(胡志明市理工大学)
基于情感的意见摘要(AOS),包括方面发现和情感分类步骤,最近成为电子商务系统中最重要的数据采掘任务之一。沿着这个方向,基于LDA的模型被认为是一个非常合适的方法,因为这个模型提供了主题建模和情感分类。然而,与传统的主题建模不同,在方面发现的背景下,它往往需要一些初始种子词,其先验知识是不容易被纳入LDA模型。此外,LDA方法依赖于采样方法,这需要将整个语料库加载到内存中,使得它们难以扩展。在这项研究中,我们研究了AOS问题的替代方法,基于自动编码变分推理(AVI)。首先,我们介绍了自动编码变分推理方面发现(AVIAD)模型,它扩展了以前的工作自动编码变分推理主题模型(AVITM)嵌入先验知识的种子词。这项工作包括增强以前的AVI架构,也修改的损失函数。最后,我们提出了联合情感/主题的自动编码变分推理(AVIJST)模型。在这个模型中,我们大大扩展了AVI模型,以支持JST模型,它执行相应的情感主题建模。实验结果表明,我们提出的模型具有更高的主题一致性,更快的收敛时间和更好的情感分类的准确性,相比基于LDA的同行。
2019-06-07 cs.CL cs.LG
Support for Stock Trend Prediction Using Transformers and Sentiment Analysis
University of California, Irvine(加州大学欧文分校)
本文提出基于 Transformer 的模型,结合股票技术数据与情感分析,在长时间窗口内提升股票趋势预测准确率,在 30 个工作日序列上方向准确率较 RNNs 提升近 18.63%。
2023-05-18 cs.LG q-fin.ST
Linear Representations of Sentiment in Large Language Models
EleutherAI Institute(EleutherAI研究所);Stanford University(斯坦福大学)
本研究发现大型语言模型以单个线性方向表示情感,通过因果干预揭示其机制,并发现情感会在标点等中间位置被摘要,消融该方向会显著降低零样本分类准确率。
2023-10-23 cs.AI cs.CL cs.LG
Shared and Private Information Learning in Multimodal Sentiment Analysis with Deep Modal Alignment and Self-supervised Multi-Task Learning
School of Information Science and Engineering, Shandong University(山东大学信息科学与工程学院);School of Information Science and Engineering, Lanzhou University(兰州大学信息科学与工程学院);Geography and Planning, Sun Yat-sen University(中山大学地理科学与规划学院);Department of Military Medical Psychology, Air Force Medical University(空军军医大学军事医学心理学系);National University of Singapore(新加坡国立大学);Assets and Laboratory Management Department, Shandong University(山东大学资产与实验室管理部)
提出基于协方差矩阵的深度模态共享信息学习模块和自监督标签生成模块,结合多任务学习,在多模态情感分析中同时捕获共享与私有信息,在三个公共数据集上多数指标超越现有最先进方法。
2024-03-19 cs.CL cs.CV
A Bi-directional Multi-hop Inference Model for Joint Dialog Sentiment Classification and Act Recognition
Wuhan University(武汉大学)
针对联合DSC与DAR任务中单向上下文编码及标签关联利用不足的问题,本文提出BMIM,通过双向多跳推理、对比学习和对偶学习提升性能与可解释性。
2023-08-12 cs.CL
Good Debt or Bad Debt: Detecting Semantic Orientations in Economic Texts
Aalto University School of Business(阿尔托大学商学院);Department of Information and Service Economy(信息与服务经济系);Department of Finance and Accounting(财务与会计系);Aalto University(阿尔托大学)
使用机器人阅读器分析新闻文本是计算金融领域的一个新兴技术趋势。在最近的研究中,已经投入了大量的精力来开发复杂的财务极性词汇,可以用来调查财务情绪如何与未来的公司业绩。然而,基于来自其他领域的经验,其中通常应用情感分析,众所周知,句子的整体语义取向可能不同于单个词的先前极性。本文的目的是探讨如何通过整合整体短语结构信息和特定领域的语言使用来更好地检测财经新闻中的语义倾向。我们的三个主要贡献是:(1)建立了一个人工标注的金融短语库,可以作为训练和评估替代模型的基准;(2)提出了一种技术,以增强金融词汇的属性,有助于识别影响整体情绪的事件的预期方向;(3)建立了一个线性化的短语结构模型,用于检测财经新闻语篇的语境语义倾向。新增加的词典功能的相关性和使用建议的学习算法的好处证明了在对以前使用的一般情感模型以及流行的词频模型在最近的金融研究中使用的比较研究。所提出的框架是简约的,避免了爆炸的特征空间所造成的使用传统的n-gram功能。
2013-07-23 cs.CL cs.IR q-fin.CP
Comprehensive Analysis of Aspect Term Extraction Methods using Various Text Embeddings
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
最近,在情感分析领域的背景下,各种模型设计和方法已经蓬勃发展。然而,目前还缺乏对基于方面的情感分析(ABSA)的广泛而全面的研究。我们想填补这一空白,并提出了一个比较消融分析方面的长期提取使用各种文本嵌入方法。我们特别关注基于长短期记忆(LSTM)的架构,其中使用不同的预训练词嵌入进行可选的条件随机场(CRF)增强。此外,我们还分析了字符嵌入对扩展词向量化步骤性能的影响。在SemEval数据集上的实验结果表明,不仅双向长短期记忆(BiLSTM)优于常规LSTM,而且词嵌入覆盖率及其来源高度影响方面检测性能。一个额外的CRF层也会持续改善结果。
2020-12-10 cs.CL
BanglishRev: A Large-Scale Bangla-English and Code-mixed Dataset of Product Reviews in E-Commerce
United International University(联合国际大学);Indiana University Bloomington(印第安纳大学伯明顿分校);BRAC University(BRAC大学);North South University(北南大学)
本文提出迄今最大电商评论数据集BanglishRev,包含174万条孟加拉语、英语及混合语评论,并训练BanglishBERT模型实现了94%准确率的情感分析。
2024-12-18 cs.CL cs.CV cs.LG
Usage-Modulated Sentiment Representations in Large Language Models
William & Mary(威廉与玛丽学院)
本研究证明大型语言模型中情感表示不仅包含共享极性方向,还受用法因素调制,残差结构可被擦除和引导,为情感控制提供新方法。
2026-10-06 cs.CL
NeuroMax: Enhancing Neural Topic Modeling via Maximizing Mutual Information and Group Topic Regularization
Hanoi University of Science and Technology(河内科技大学);FPT Software AI Center(FPT软件人工智能中心);VinAI Research(VinAI研究院);University of Oregon(俄勒冈大学)
NeuroMax通过最大化主题表示与预训练语言模型表示的互信息,并利用最优传输建模主题间关系,在降低推理时间的同时提升主题连贯性、文档嵌入质量及下游任务性能。
2024-09-29 cs.CL
Robust Natural Language Processing: Recent Advances, Challenges, and Future Directions
University of Central Florida(中佛罗里达大学);Ewha Womans University(梨花女子大学)
最近的自然语言处理(NLP)技术在基准数据集上实现了高性能,这主要归功于深度学习的性能显著提高。研究界的进步导致了NLP任务的最先进生产系统的极大增强,例如虚拟助理,语音识别和情感分析。然而,这样的NLP系统在测试对抗攻击时仍然经常失败。最初缺乏鲁棒性暴露了当前模型的语言理解能力中令人不安的差距,当NLP系统部署在现实生活中时会产生问题。在本文中,我们提出了一个结构化的概述NLP鲁棒性的研究,通过总结文献系统的方式在各个方面。然后,我们深入研究了健壮性的各个方面,包括技术、指标、嵌入和基准。最后,我们认为,鲁棒性应该是多维度的,提供对当前研究的见解,找出文献中的差距,提出值得追求的方向,以解决这些差距。
2022-01-03 cs.AI cs.CL cs.CR