Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction
DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团）；Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对现有ASTE基准领域有限、泛化性存疑及LLMs处理该任务效果不明的问题，本文构建多领域扩展基准并提出CASE解码策略，实验验证其可提升LLMs在复杂情感任务中的表现与可信度。
2024-10-30 cs.CL
MiniConGTS: A Near Ultimate Minimalist Contrastive Grid Tagging Scheme for Aspect Sentiment Triplet Extraction
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Academy of Engineering and Technology, Fudan University（复旦大学工程与技术学院）；Shanghai Jiao Tong University（上海交通大学）；School of Information Science and Technology, Fudan University（复旦大学信息科学与技术学院）
本文提出MiniConGTS，通过极简标注方案与令牌级对比学习改进预训练表示，以更低计算开销实现与最先进方法相当或更优的方面情感三元组抽取性能，并首次评估GPT-4在该任务上的表现。
2024-09-30 cs.AI cs.CL
Context-Aware Sentiment Forecasting via LLM-based Multi-Perspective Role-Playing Agents
Shenzhen International Graduate School Tsinghua University（清华大学深圳国际研究生院）；Department of Electronic Engineering Tsinghua University（清华大学电子工程系）；Northeastern University at Qinghuangdao（清华大学秦皇岛分校）；Department of Computer Science University of California Irvine（加州大学 Irvine 分校计算机科学系）
本文提出基于LLM的多视角角色扮演框架，用于社交媒体中基于上下文的情感预测，通过提取情感相关特征提升预测性能。
2025-05-30 cs.CL
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
Table-Filling via Mean Teacher for Cross-domain Aspect Sentiment Triplet Extraction
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）；Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong University of Science and Technology（香港科技大学）；Beijing Institute of Technology（北京理工大学）；North China Electric Power University（华北电力大学）；Beihang University（北京航空航天大学）；China Academy of Electronic and Information Technology（中国电子信息产业发展研究院）
本文提出TFMT方法，将跨领域ASTE建模为目标检测问题，通过均值教师框架和区域一致性提升伪标签质量，并利用最大均值差异缓解领域偏移，以低计算成本取得最优性能。
2024-07-23 cs.AI cs.CL
Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?
International Digital Economy Academy (IDEA)（国际数字经济学院（IDEA））；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Data Science and Analytics Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）数据科学与分析学域）；Financial Technology Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）金融科技学域）
本文通过标准化实验流程评估三种大型语言模型从中文新闻摘要中提取情感因子并构建量化交易策略的表现，以探究LLMs预测中国股票价格走势的潜力。
2024-05-04 cs.AI cs.CL q-fin.ST
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
Explicit Interaction Network for Aspect Sentiment Triplet Extraction
Peking University（北京大学）
体情感三元组提取（ASTE）的目的是识别目标，他们的情感极性和意见解释的情感从一个句子。ASTE可以自然地分为3个原子子任务，即目标检测、观点检测和情感分类。我们认为，适当的子任务组合，成分特征提取的目标意见对，和子任务之间的互动将是成功的关键。然而，以前的工作，可能会失败的“一对多”或“多对一”的情况下，或获得不存在的情绪三元组由于有缺陷的子任务制定，次优的功能表示或缺乏子任务的相互作用。本文将ASTE分为目标-观点联合检测和情感分类两个符合人类认知的子任务，并分别采用序列编码器和表格编码器进行处理。表格编码器在标记对级别提取情感，以便可以容易地捕获目标和观点之间的组合特征。为了建立子任务之间的显式交互，我们利用表表示来指导序列编码，并将序列特征注入到表编码器中。实验表明，我们的模型在六个流行的ASTE数据集上的性能优于最先进的方法。
2021-11-17 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
A Study of Feature Extraction techniques for Sentiment Analysis
Avinash M National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015. Sivasankar E National Institute of Technology,Tiruchirapalli , Tanjore Main Road, National Highway 67, Near BHEL Trichy, Tiruchirappalli, Tamil Nadu, 620015.
情感分析是指系统地提取主观文本意义的研究。当使用机器学习技术从主观文本中分析情感时，特征提取成为重要的部分。我们对特征提取技术TF-IDF的性能进行了研究（词频-逆文档频率）和Doc 2 vec（文档到向量）使用康奈尔电影评论数据集、UCI情感标记数据集、斯坦福电影评论数据集，通过使用各种预处理，有效地将文本分类为正极性和负极性，处理方法，如消除StopWords和标记化，这在分类器所花费的准确性和时间方面提高了情感分析的性能。在对文本应用特征提取技术之后，使用分类器Logistic回归、支持向量机、K-最近邻、决策树和Bernoulli Nave Bayes对句子进行训练和测试
2019-06-04 cs.CL
Embarrassingly Simple Unsupervised Aspect Based Sentiment Tuple Extraction
Arizona State University（亚利桑那州立大学）；Georgia Institute of Technology（佐治亚理工学院）
针对低资源领域缺乏标注数据导致监督方法效果减弱的问题，提出一种简单新颖的无监督方法，用于提取句子中方面词对应的意见词及情感极性，并在四个基准数据集上验证了有效性，为意见词挖掘建立了无监督基准。
2024-04-21 cs.CL
Self-Consistent Reasoning-based Aspect-Sentiment Quad Prediction with Extract-Then-Assign Strategy
Yonsei University（延世大学）；University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对ASQP任务中生成式方法预测不精确且可解释性有限的问题，提出基于自洽推理的SCRAP模型，采用先抽取后分配策略与一致性投票机制，显著提升了复杂推理、四元组预测准确性及可解释性。
2024-06-08 cs.CL
First Target and Opinion then Polarity: Enhancing Target-opinion Correlation for Aspect Sentiment Triplet Extraction
Peking University（北京大学）；Baidu Inc.（百度公司）
Aspect Sentiment Triplet Extraction（ASTE）旨在从句子中提取三元组，包括目标实体，相关的情感极性和使极性合理化的意见跨度。现有的方法缺乏对目标-意见对之间的关联性，忽视了不同情感三元组之间的相互干扰。为了解决这些问题，我们利用一个两阶段的框架，以提高目标和意见之间的相关性：在第一阶段，我们提取目标和意见，通过序列标记，然后我们附加一组人工标签命名为感知对，这表明一个特定的目标意见元组的跨度，到输入的句子，以获得更密切相关的目标意见对表示。同时，我们通过限制标记的注意场来减少三胞胎之间的负面干扰。最后，根据感知对的表征来识别极性。我们在四个数据集上进行了实验，实验结果表明了我们的模型的有效性。
2021-11-01 cs.CL
Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning
East China Normal University（华东师范大学）；Georgia Institute of Technology（佐治亚理工学院）
领域自适应情感分类是指在标记的源域上进行训练，以很好地推断未标记的目标域上的文档级情感。大多数现有的相关模型涉及特征提取器和情感分类器，其中特征提取器致力于从两个域学习域不变特征，并且情感分类器仅在源域上训练以指导特征提取器。因此，它们缺乏使用位于目标域中的情感极性的机制。为了通过从目标领域学习情感来改进领域适应的情感分类，我们设计了一种新的深度对抗性相互学习方法，涉及两组特征提取器，领域判别器，情感分类器和标签探测器。域鉴别器使得特征提取器能够获得域不变特征。同时，各组标签探测器通过同级组分类器生成的情感预测，探索目标领域的文档情感极性，指导同组特征提取器的学习。所提出的方法实现了两个组在端到端的方式相互学习。在多个公开数据集上的实验表明，该方法获得了最佳性能，验证了标签探测器相互学习的有效性。
2020-02-01 cs.CL cs.LG
Opinion Extraction as A Structured Sentiment Analysis using Transformers
UC Berkeley School of Information（加州大学伯克利分校信息学院）
关系提取和命名实体识别一直被认为是两个不同的任务，需要不同的输入数据，标签和模型。然而，这两者对于结构化的情感分析都是必不可少的。我们相信，这两个任务可以结合成一个单一的堆栈模型与相同的输入数据。我们进行了不同的实验，以找到从单个句子中提取多个意见元组的最佳模型。意见元组将由持有者、目标和表达式组成。有了意见元组，我们将能够提取我们需要的关系。
2021-12-09 cs.CL cs.LG
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
Learning Sentiment Memories for Sentiment Modification without Parallel Data
Peking University（北京大学）
情感修改的任务需要反转输入的情感并保留情感无关的内容。然而，具有相同内容但不同情感的对齐句子通常不可用。由于缺乏这种并行数据，很难提取情感无关的内容，并以无监督的方式反转情感。以往的工作往往不能兼顾情感转换和内容保存。在本文中，动机的事实，非情感的背景下（例如，“staff”）提供了情感词出现的强烈线索（例如，“友好”），我们提出了一种新的方法，自动提取适当的情感信息，从学习的情感记忆根据特定的上下文。实验结果表明，该方法大大提高了内容的保存程度，达到了最先进的性能。
2018-08-22 cs.CL
Assessing the Efficacy of Clinical Sentiment Analysis and Topic Extraction in Psychiatric Readmission Risk Prediction
McLean Hospital（麦克莱恩医院）；Harvard Medical School（哈佛医学院）；Brandeis University（布兰迪斯大学）
预测哪些患者更有可能在出院后30天内再次入院，这是临床决策中一个有价值的信息。然而，建立一个成功的再入院风险分类的基础上的电子健康记录（EHR）的内容已被证明是一项具有挑战性的任务。以前探索的功能主要包括结构化的信息，如社会人口学数据，合并症代码和生理变量。在本文中，我们评估纳入额外的临床可解释的NLP为基础的功能，如主题提取和临床情感分析，以预测精神病患者的早期再入院风险。
2019-10-09 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
Pretrained Language Encoders are Natural Tagging Frameworks for Aspect Sentiment Triplet Extraction
Sichuan University（四川大学）；The University of Adelaide（阿德莱德大学）；University of Electronic Science and Technology of China（电子科技大学）；Tencent（腾讯）
方面情感三元组提取（ASTE）的目的是提取方面，意见，和他们的情感关系的跨度作为情感三元组。现有的工作通常制定跨度检测作为一个1D标记问题，和模型的情感识别与标记对的2D标记矩阵。此外，通过利用像BERT这样的预训练语言编码器（PLEs）的令牌表示，它们可以实现更好的性能。然而，他们只是利用PLEs作为特征提取器来构建他们的模块，但从来没有深入研究过PLEs包含哪些特定的知识。在本文中，我们认为，而不是进一步设计模块来捕获ASTE的归纳偏见，PLEs本身包含“足够”的功能，为1D和2D标记：（1）令牌表示包含的上下文意义的令牌本身，所以这个级别的功能携带必要的信息，为1D标记。(2)不同PLE层的注意力矩阵可以进一步捕获令牌对中存在的多层次语言知识，这有利于2D标注。(3)此外，通过简单的变换，这两个特征也可以容易地分别转换为2D标记矩阵和1D标记序列。这将进一步提高标记结果。通过大量的实验和深入的分析，验证了这种方法的有效性。
2022-08-20 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
A Multi-task Learning Framework for Opinion Triplet Extraction
Beijing Institute of Technology（北京理工大学）；University of Padova（帕多瓦大学）
基于情感分析的情感分析（ABSA）方法主要基于检测方面术语及其相应的情感极性，或者基于共同提取方面和观点术语。然而，方面的情感对的提取缺乏意见条款作为参考，而方面和意见条款的共同提取不会导致有意义的对，而不确定其情感依赖。为了解决这个问题，我们提出了一个新的观点ABSA作为一个意见三元组提取任务，并提出了一个多任务学习框架，共同提取方面的条款和意见条款，并同时解析它们之间的情感依赖与biaffine评分。在推理阶段，通过基于上述输出的三元组解码方法来促进三元组的提取。我们评估拟议的框架上的四个SemEval ASBA基准。结果表明，我们的方法显著优于一系列强基线和最先进的方法。
2020-10-31 cs.CL
A Fusion Approach of Dependency Syntax and Sentiment Polarity for Feature Label Extraction in Commodity Reviews
Shanghai University of Engineering Science（上海工程技术大学）
本文针对商品评论，提出融合依存句法与情感极性的特征标签提取方法，解决了现有算法鲁棒性低的问题，在JD.com数据集上取得准确率0.7、召回率与F值0.8的有效结果。
2024-12-20 cs.AI cs.CL
Tweet Sentiment Extraction using Viterbi Algorithm with Transfer Learning
PARIS CITÉ UNIVERSITY（巴黎西岱大学）
本文改进维特比算法以接收预训练参数，并引入置信度分数与向量进行内部评估和微调，从而提升推文情感抽取的可解释性与准确性。
2023-08-11 cs.AI cs.CL
Aspect Based Sentiment Analysis to Extract Meticulous Opinion Value
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆技术学院）
意见挖掘和情感分析是在大量非结构化/结构化数据中识别意见并分析这些意见的极性的过程。意见挖掘和情感分析在分析在线评级、分析基于产品的评论、电子政务和管理互联网上的敌对内容方面有着广泛的应用。本文提出了一种实现方面级情感分析的算法。该算法从学生的各个老师提交的评论中获取输入。形成了一个方面树，它有各种级别和权重分配给每个分支，以确定方面的水平。该算法通过提出的方面树计算方面值。实现了基于字典的方法来评估评论的极性。该算法返回的方面价值棍棒与意见价值和情感价值，这有助于总结的评论的总结价值。
2014-05-29 cs.CL cs.IR
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
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
SentiFuse: Deep Multi-model Fusion Framework for Robust Sentiment Extraction
University of Louisville（路易斯维尔大学）；Meharry Medical College（梅哈里医学院）
SentiFuse通过多模型融合框架提升情感提取的鲁棒性和准确性，特征级融合在F1分数上取得显著提升。
2026-02-01 cs.AI cs.CL
Extracting Emotion Phrases from Tweets using BART
本文提出一种基于问答框架和BART模型的情感短语提取方法，通过分类器预测答案边界，实现了87%的最终损失和0.61的Jaccard分数，克服了传统方法忽略具体情感短语的缺陷。
2024-07-27 cs.CL cs.LG stat.AP
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
Learning Robust Heterogeneous Signal Features from Parallel Neural Network for Audio Sentiment Analysis
Tsinghua University（清华大学）；Beijing Forestry University（北京林业大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
音频情感分析是一个热门的研究领域，它扩展了传统的基于文本的情感分析，依赖于从语音中提取的声学特征的有效性。然而，目前的音频情感分析主要集中在提取同质声学特征或没有有效地融合异质特征。在本文中，我们提出了一种基于话语的深度神经网络模型，该模型具有卷积神经网络（CNN）和基于长短期记忆（LSTM）的网络的并行组合，以获得称为音频情感向量（ASV）的代表性特征，该特征可以最大限度地反映音频中的情感信息。具体来说，我们的模型是由话语级标签训练和ASV可以提取和融合创造性地从两个分支。在CNN模型分支中，由信号产生的频谱图被馈送作为输入，而在LSTM模型分支中，输入包括从音频中的相关话语提取的频谱特征和倒谱系数。此外，双向长短期记忆（BiLSTM）与注意力机制用于特征融合。大量的实验表明，我们的模型可以准确快速地识别音频情感，并证明我们的ASV优于传统的声学特征或从其他深度学习模型中提取的向量。实验结果表明，在多模态意见级情感强度数据集（MOSI）上，该模型的性能比现有方法提高了9.33%.
2019-07-31 cs.CL cs.SD eess.AS
Sentiment Analysis of Online Travel Reviews Based on Capsule Network and Sentiment Lexicon
Beijing University of Posts and Telecommunications（北京邮电大学）
随着在线旅游服务的发展，及时挖掘用户对旅游服务的评价情绪，并以此为指标来指导在线旅游服务质量的提升，具有很大的应用前景。本文研究了基于社交媒体在线评论的在线旅游评论文本情感分类问题，提出了基于胶囊网络和情感词典的SCCL模型。SCCL模型是针对语言模型中缺乏对文本的局部特征和情感语义特征的考虑而提出的，该模型能够有效地提取文本的上下文特征，如BERT和GRU。然后针对其不足之处做以下改进。一方面，在BERT-BiGRU的基础上，引入胶囊网络，在提取局部特征的同时保留良好的上下文特征。另一方面，引入情感词典提取文本的情感序列，为模型提供更丰富的情感语义特征。为了增强情感词典的通用性，采用基于TF-IDF的改进SO-PMI算法对情感词典进行扩展，使情感词典在在线旅游评论领域也有良好的表现。
2022-06-05 cs.AI 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
Efficient Sentiment Analysis: A Resource-Aware Evaluation of Feature Extraction Techniques, Ensembling, and Deep Learning Models
University of South Florida（南佛罗里达大学）
该研究针对NLP研发中忽视资源成本的问题，对文档级情感分析的多类模型开展资源感知对比评估，发现微调LLM准确率最高，但部分替代方案仅损失不到1%的准确率就能大幅节省资源，小数据集下该资源优势更显著。
2024-04-18 cs.CL
Summarizing Opinions: Aspect Extraction Meets Sentiment Prediction and They Are Both Weakly Supervised
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
我们提出了一个神经框架，用于从在线产品评论中进行意见总结，该框架是知识贫乏的，只需要轻度监督（例如，以产品域标签和用户提供的评级的形式）。我们的方法结合了两个弱监督组件来识别突出的意见，并从多个评论中形成提取摘要：在多任务目标下训练的方面提取器，以及基于多实例学习的情感预测器。我们引入了一个意见摘要数据集，其中包括来自六个不同领域的产品评论的训练集，以及具有黄金标准方面注释，显着性标签和意见摘要的人类注释开发和测试集。自动评估显示，与基线相比，我们的意见摘要有了显着的改进，一项大规模的研究表明，根据多个标准，我们的意见摘要是人类法官的首选。
2018-08-27 cs.AI cs.CL cs.LG
Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyberspace Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；Faculty of Information Engineering and Automation, Kunming University of Science and Technology（昆明理工大学信息工程与自动化学院）；College of Science, University of Shantou（汕头大学理学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对方面情感三元组抽取任务，提出基于提示的三通道图卷积神经网络（PT-GCN），将关系表转为图并利用提示注意力与三通道卷积，在基准数据集上取得最先进性能。
2023-12-24 cs.AI cs.CL
BanglaASTE: A Novel Framework for Aspect-Sentiment-Opinion Extraction in Bangla E-commerce Reviews Using Ensemble Deep Learning
Department of Computer Science；Engineering Chittagong University of Engineering；Department of Information Technology Washington University of Science \& Technology 2900 Eisenhower Ave, Alexandria, VA 22314, United States；Department of Information Systems Central Michigan University 1200 S. Franklin St. Mount Pleasant, Mich. 48859
本文提出BanglaASTE框架，通过集成深度学习方法，在孟加拉语电商评论中实现高效的方面-情感-意见三元组提取，提升低资源语言的情感分析能力。
2025-11-26 cs.CL cs.LG
Cone: Unsupervised Contrastive Opinion Extraction
University of Warwick（华威大学）；The Alan Turing Institute（艾伦·图灵研究所）
提出无监督对比观点抽取模型Cone，结合对比学习与迭代聚类细化，无需标签即可抽取对比观点并量化方面流行度，在酒店和疫苗推特数据集上优于基线。
2023-05-08 cs.CL
Unveiling Comparative Sentiments in Vietnamese Product Reviews: A Sequential Classification Framework
Fulbright University Vietnam（富布赖特越南大学）；Athena Studio；VNG Corporation（VNG公司）
针对越南语产品评论中的比较意见挖掘任务，提出包含比较句识别、比较元素提取和比较类型分类三个序列子任务的框架，在VLSP 2023 ComOM挑战赛中排名第五。
2024-01-02 cs.CL
Leveraging Deep Neural Networks for Aspect-Based Sentiment Classification
Osaka University（大阪大学）；University of South Australia（南澳大学）；Hiroshima University（广岛大学）
针对 GCN 直接提取句法特征易丢失关键信息的问题，提出融合 Bi-LSTM、自注意力 transformer、Bi-GCN 消息传递与方面掩码的 EEGCN，并在四个基准上验证其显著提升。
2025-03-17 cs.CL cs.LG
Effect of Word Embedding Variable Parameters on Arabic Sentiment Analysis Performance
Gazi University（加齐大学）；Southern Technical University（南方技术大学）
诸如Twitter、Facebook等社交媒体已经导致产生越来越多的包含用户意见的评论。情感分析研究处理这些评论，以提取意见是积极的或消极的。阿拉伯语是一种丰富的形态语言;因此，英语情感分析的经典技术不能用于阿拉伯语。词嵌入技术可以被认为是解决阿拉伯语词法问题的成功方法之一。基于词嵌入的阿拉伯语情感分析已经有很多研究，但还没有针对可变参数的研究。本研究将讨论使用DBOW和DMPV架构进行阿拉伯语情感分析的三个参数（窗口大小、向量维数和负样本）。以前的作品的大型语料库，用于学习单词表示和提取特征。四个二进制分类器（逻辑回归，决策树，支持向量机和朴素贝叶斯）被用来检测情感。分类器的性能基于精度，召回率和F1分数进行评估。
2021-01-08 cs.CL cs.LG
WikiSent : Weakly Supervised Sentiment Analysis Through Extractive Summarization With Wikipedia
本文描述了一个弱监督的电影评论领域的情感分析系统。我们的目标是将电影评论分为一个极性类，积极或消极的基础上，这些句子轴承对电影的意见。与评论者对电影的意见没有直接关系的不相关的文本被排除在分析之外。维基百科在系统中整合了电影特定特征的世界知识，用于获得评论的摘录摘要，包括评论者对电影特定方面的意见。这会过滤掉与给定电影无关或客观的概念。拟议的系统，WikiSent，不需要任何标记的数据进行训练。唯一薄弱的监督来自于对WordNet、Part-of-Speech Tagger和Sentiment Lexicons等资源的使用。WikiSent在基线上实现了相当大的准确性提高，并且在相同的数据集上，与该领域中现有的半监督和无监督系统相比具有更好或相当的准确性。我们还使用WikiSent进行了一般的电影评论趋势分析，以发现电影制作的趋势和公众对电影类型，发行年份和极性的接受程度。
2012-09-18 cs.CL cs.IR
A Weak Supervision Approach for Few-Shot Aspect Based Sentiment
AWS AI Labs（AWS人工智能实验室）；University of Arizona（亚利桑那大学）；Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
本文提出一种利用无标签数据弱监督的流水线方法，通过构建含噪数据集适配预训练seq2seq模型，在保持完全微调性能的同时显著提升ABSA任务的少样本与零样本性能。
2023-05-19 cs.CL
Detecting Abnormal User Feedback Patterns through Temporal Sentiment Aggregation
Khoury College of Computer Science Northeastern University Boston, United States；College of Engineering Northeastern University Boston, United States；College of Professional Studies Northeastern University Boston, United States
本文提出基于预训练Transformer模型的时间情感聚合框架，通过聚合评论情感信号检测用户反馈模式中的异常变化，实验证明其在社交媒体数据中有效识别显著情感下降。
2026-03-11 cs.CL
Enhancing Sentiment Analysis through Multimodal Fusion: A BERT-DINOv2 Approach
The University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）
本文提出一种结合BERT文本特征与DINOv2图像特征的多模态情感分析架构，并设计三种融合模型，在三个数据集上验证了其可行性与实用性。
2025-03-11 cs.CL cs.CV
Student sentiment Analysis Using Classification With Feature Extraction Techniques
本文研究基于网络学习中的学生反馈情感分析，使用LR、SVM、NB和DT四种机器学习模型，并结合CVr/BoW与TF-IDF两种特征提取技术，在清洗后的SFB数据集上提升分类准确率。
2021-03-19 cs.AI cs.CL cs.LG
Arabic aspect based sentiment analysis using bidirectional GRU based models
Assiut university（艾斯尤特大学）
基于语义的情感分析（ABSA）完成了细粒度的分析，定义了给定文档或句子的各个方面以及关于每个方面所传达的情感。这一层次的分析是最详细的版本，能够探索审查的细微差别的观点。ABSA的大部分学习集中在英语上，很少有阿拉伯语的工作。大多数以前的阿拉伯语工作都是基于常规的机器学习方法，主要依赖于一组稀有的资源和工具来分析和处理阿拉伯语内容，如词典，但缺乏这些资源带来了另一个挑战。为了解决这些挑战，提出了基于深度学习（DL）的方法，其使用基于ABSA的门控递归单元（GRU）神经网络的两个模型。第一种是DL模型，其通过组合双向GRU、卷积神经网络（CNN）和条件随机场（CRF）来利用单词和字符表示，从而构成（BGRU-CNN-CRF）模型以提取主要意见方面（OTE）。第二种是基于双向GRU（IAN-BGRU）的交互式注意力网络，以识别对提取的方面的情感极性。我们使用基准阿拉伯语酒店评论数据集评估了我们的模型。结果表明，所提出的方法是优于基线研究的两个任务有39.7%的增强F1分数的意见目标提取（T2）和7.58%的准确性方面为基础的情感极性分类（T3）。T2的F1评分为70.67%，T3的准确率为83.98%。
2021-10-06 cs.CL
Recursive Neural Conditional Random Fields for Aspect-based Sentiment Analysis
Nanyang Technological University（南洋理工大学）；SAP Innovation Center Singapore（SAP新加坡创新中心）
在基于方面的情感分析中，从用户生成的内容中提取方面术语以及所表达的观点是最重要的子任务之一。以前的研究表明，利用方面和意见条款之间的联系是有希望的这项任务。在本文中，我们提出了一种新的联合模型，集成递归神经网络和条件随机场到一个统一的框架显式方面和意见条款的共同提取。该模型学习高层次的判别特征，同时在方面和意见术语之间双重传播信息。此外，它是灵活的，将手工制作的功能到建议的模型，以进一步提高其信息抽取性能。在SemEval Challenge 2014数据集上的实验结果表明，我们提出的模型优于几种基线方法以及挑战的获胜系统。
2016-09-19 cs.CL cs.IR cs.LG
Leveraging Medical Sentiment to Understand Patients Health on Social Media
Indian Institute of Technology Patna（巴特那印度理工学院）；Wright State University（莱特州立大学）
近年来，互联网用户的空前增长导致了大量以社交媒体文本形式出现的非结构化信息。这一人群中有很大比例的人积极参与卫生社交网络，分享与卫生有关的信息。在本文中，我们通过分析用户的情绪和情感w.r.t他们的医疗条件来解决一个重要而及时的话题。为此，我们研究了流行医学论坛（Patient.info，dailystrength.org）上的用户，他们在那里发布了重要的主题，如哮喘，过敏，抑郁和焦虑。首先，我们通过抓取数据为任务提供了一个基准设置，并进一步定义了情绪特定的细粒度医疗条件（已死亡，存在，恶化和其他）。我们提出了一种有效的架构，使用卷积神经网络（CNN）作为数据驱动的特征提取器和支持向量机（SVM）作为分类器。我们进一步开发了一个情感功能，这是敏感的医疗背景。在这里，我们表明，使用医学情感特征以及从CNN提取的特征提高了模型性能。除了我们的数据集，我们还评估了我们的方法在基准“CLEF电子健康2014”语料库，并表明我们的模型优于国家的最先进的技术。
2018-07-30 cs.CL
Hybrid Multimodal Feature Extraction, Mining and Fusion for Sentiment Analysis
Hefei University of Technology（合肥工业大学）
在本文中，我们为2022年多模态情感分析挑战赛（MuSe）提供了解决方案，其中包括MuSe幽默，MuSe反应和MuSe压力子挑战。MuSe 2022专注于幽默检测，情绪反应和多模态情绪压力，利用不同的模态和数据集。在我们的工作中，不同类型的多模态特征提取，包括声学，视觉，文本和生物特征。TEMMA和GRU融合了这些特征，并采用了自我注意力机制框架。在本文中，1）几个新的音频特征，面部表情特征和段落级文本嵌入提取的准确性提高。2)通过挖掘和混合多模态特征，我们大大提高了多模态情感预测的准确性和可靠性。3)在模型训练中应用有效的数据增强策略以减轻样本不平衡的问题并防止模型学习有偏见的主题特征。对于MuSe-幽默子挑战，我们的模型获得的AUC评分为0.8932。对于MuSe反应子挑战，我们在测试集上的方法的Pearson相关系数为0.3879，优于所有其他参与者。对于MuSe压力子挑战，我们的方法在测试数据集上的唤醒和效价方面都优于基线，最终组合结果为0.5151。
2022-08-12 cs.CL cs.CV cs.SD
SentimentLens: Reconciling Sentiment and Ratings via Dual-Modality in the Hospitality Sector
University of Peradeniya（珀拉尼亚大学）
提出SentimentLens系统，基于方面级情感分析从非结构化酒店评论中提取知识，并通过跨模态调和文本情感与数值评分来识别运营冲突和服务改进机会。
2026-05-22 cs.AI cs.CL cs.IR
Sentiment Classification using N-gram IDF and Automated Machine Learning
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
我们提出了一种情感分类方法与一般的机器学习框架。对于特征表示，n-gram IDF用于提取软件工程相关的、特定于小程序集的、正的、中性的和负的n-gram表达式。对于分类器，使用自动化机器学习工具。在使用公开数据集的比较中，我们的方法在所有数据集上的肯定句和否定句中获得了最高的F1值。
2019-05-25 cs.CL cs.IR
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
Instruct-DeBERTa: A Hybrid Approach for Aspect-based Sentiment Analysis on Textual Reviews
University of Ruhuna（鲁胡纳大学）；University of Moratuwa（莫拉图瓦大学）；Emojot Inc.（埃莫乔特公司）
本文提出混合模型Instruct-DeBERTa，结合InstructABSA与DeBERTa-V3-baseabsa-V1分别进行方面提取和情感分类，在SemEval 2014数据集上显著提升了ABSA任务的准确性和可靠性。
2024-08-23 cs.AI cs.CL
