A semantically enhanced dual encoder for aspect sentiment triplet extraction
Shandong Normal University（山东师范大学）；Nanjing Normal University（南京师范大学）
针对ASTE中表格填充方法忽视多视角语义的问题，提出融合BERT与Bi-LSTM-GCN双编码器并建模依存、词性和位置信息的框架，在基准数据集上达到最先进性能。
2023-06-14 cs.AI cs.CL
Domain-Specific Sentiment Word Extraction by Seed Expansion and Pattern Generation
Harbin Institute of Technology（哈尔滨工业大学）；The Chinese University of Hong Kong（香港中文大学）
本文主要研究情感分析的一个基本子任务--领域情感词的自动抽取。大多数以前的工作都使用手动模式来完成此任务。然而，这些方法的性能高度依赖于标记的模式或选择的种子。为了克服上述问题，本文提出了一个自动框架来检测大规模领域特定模式的DSSW提取。为此，情感种子是从大量的用户评论数据集中提取的。随后，这些情感种子使用自举机制通过同义词扩展。同时，建立同义图，并在所建立的同义图上应用图传播算法。然后，自动提取目标词和高排名的情感词之间的句法和顺序关系，构建大规模模式，进一步用于提取DSSW。在三个领域的实验结果表明，我们的方法的有效性。
2013-09-26 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
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
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
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
Fine-grained Verification via Diagnostic Reasoning Supervision for Aspect Sentiment Triplet Extraction
The Hong Kong Polytechnic University（香港理工大学）；Lingnan University（岭南大学）；Education University of Hong Kong（香港教育大学）
提出FiVeD框架，通过诊断推理监督进行细粒度验证，利用质量评分和错误分类等辅助任务提升ASTE三元组抽取的可靠性。
2026-05-29 cs.AI 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
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
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
A Unified Model for Opinion Target Extraction and Target Sentiment Prediction
The Chinese University of Hong Kong（香港中文大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；Tencent AI Lab（腾讯人工智能实验室）
基于目标的情感分析涉及到情感目标的提取和情感目标的分类。然而，大多数现有的工作通常研究这两个子任务之一，这阻碍了他们的实际应用。本文旨在解决完整的任务，基于目标的情感分析在一个端到端的方式，并提出了一种新的统一模型，适用于一个统一的标记方案。我们的框架包括两个堆叠的递归神经网络：上层网络预测统一的标签以产生基于主要目标的情感分析的最终输出结果;下层网络执行辅助目标边界预测，旨在指导上层网络提高主要任务的性能。为了探索任务间的依赖关系，我们建议明确地建模从目标边界到目标情感极性的约束转换。我们还建议通过一个门机制来保持意见目标内的情感一致性，该机制对当前单词和前一个单词的特征之间的关系进行建模。我们在三个基准数据集上进行了广泛的实验，我们的框架取得了一致的优异结果。
2019-02-11 cs.CL
Opinion Transmission Network for Jointly Improving Aspect-oriented Opinion Words Extraction and Sentiment Classification
Nanjing University（南京大学）
基于方面的情感分析（ABSA）的两个高度相关的子任务是面向方面的情感分类（ALSC）和观点词提取（AOWE）。它们分别针对句子中的某个方面检测情感极性并提取相应的意见词。以前的工作将它们分开，并通过在小规模标记数据上训练神经模型来关注其中一个，而忽略了它们之间的联系。在本文中，我们提出了一种新的联合模型，意见传输网络（OTN），利用ALSC和AOWE之间的潜在桥梁，以实现同时促进他们的目标。具体而言，我们设计了两个量身定制的意见传输机制，以控制意见线索的双向流动，分别从ALSC到AOWE和AOWE到ALSC。在两个基准数据集上的实验结果表明，我们的联合模型在这两个任务上的性能优于强基线。进一步的分析也验证了意见传导机制的有效性。
2020-11-01 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
iACOS: Advancing Implicit Sentiment Extraction with Informative and Adaptive Negative Examples
Brands & Consumers Research Institute, Enbrands Inc.（恩博兰兹公司品牌与消费者研究院）
针对ABSA中含隐式方面与观点的四元组抽取研究不足的问题，提出iACOS方法，通过添加隐式标记、序列标注、多头注意力多标签分类及自适应负样本多任务学习，在两个基准数据集上F1分数显著优于现有基线。
2024-06-22 cs.CL
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
Open-Domain Targeted Sentiment Analysis via Span-Based Extraction and Classification
National University of Defense Technology（国防科技大学）；University of Macau（澳门大学）
开放域定向情感分析的目的是从句子中检测出观点目标及其情感极性。先前的工作通常将此任务制定为序列标记问题。然而，这样的公式化遭受诸如巨大的搜索空间和情感不一致的问题。为了解决这些问题，我们提出了一个基于跨度的提取然后分类框架，其中多个意见目标直接从目标跨度边界的监督下，从句子中提取，相应的极性，然后使用其跨度表示进行分类。在此框架下，我们进一步研究了三种方法，即管道，联合和崩溃的模型。在三个基准数据集上的实验表明，我们的方法始终优于序列标记基线。此外，我们发现，管道模型实现了最好的性能相比，其他两个模型。
2019-06-10 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
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
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
ASTE Transformer Modelling Dependencies in Aspect-Sentiment Triplet Extraction
Poznan University of Technology（波兹南理工大学）；Charles University（查理大学）
本文提出一种由三个Transformer启发层组成的ASTE方法，通过建模短语之间及分类器决策之间的依赖关系，在常用基准上取得更高F1性能，并验证了简单预训练技术的进一步提升效果。
2024-10-04 cs.AI cs.CL cs.LG
Targeted aspect based multimodal sentiment analysis:an attention capsule extraction and multi-head fusion network
South China Normal University（华南师范大学）
多模态情感分析目前已经在多个领域中确定了其重要性。出于情感分析的目的，处理和分析与一个目标相对应的区分模态的不同方面。在这项工作中，我们首次提出了有针对性的基于方面的多模态情感分析（TABMSA）。在此基础上，设计了一个用于TABMSA任务的注意胶囊提取和多头融合网络（EF-Net）。分别采用基于多头注意力（MHA）的网络和ResNet-152处理文本和图像。MHA和胶囊网络的集成旨在捕获多模态输入之间的相互作用。除了目标方面之外，还整合了上下文和图像中的信息来传递情感。我们在两个手动注释的数据集上评估了所提出的模型。实验结果表明，我们提出的模型的有效性，这一新的任务。
2021-03-13 cs.CL cs.MM
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
Soft Prompt Guided Joint Learning for Cross-Domain Sentiment Analysis
Auckland University of Technology（奥克兰理工大学）；University of Tasmania（塔斯马尼亚大学）；Hefei University of Technology（合肥工业大学）；Jilin University of Finance and Economics（吉林财经大学）
特征词提取是细粒度情感分析的一项基本任务，其目的是从对产品或服务的评论中发现客户的意见目标。传统的监督模型在标注数据集上可以取得很好的效果，但是当它们被应用于跨领域的体词提取任务时，性能会显着下降。现有的跨领域迁移学习方法要么直接将语言特征注入到语言模型中，难以将语言知识迁移到目标领域;要么依赖于固定的预定义提示，在所有潜在的方面术语跨度上构造提示是耗时的。针对这一局限性，本文提出了一种基于软学习的跨领域方位词联合提取方法。具体而言，通过结合外部语言特征，所提出的方法通过多个目标来学习源域和目标域之间的域不变表示，从而弥合了具有不同方面术语分布的域之间的差距。此外，所提出的方法插入一组可转移的软提示组成的多个可学习的向量，这是有益的检测方面的条款在目标领域。在基准数据集上进行了大量的实验，实验结果证明了该方法在跨领域体词提取中的有效性。
2023-03-01 cs.AI cs.CL
Dual Encoder: Exploiting the Potential of Syntactic and Semantic for Aspect Sentiment Triplet Extraction
School of Software Technology, Dalian University of Technology（大连理工大学软件学院）
本文提出D2E2S模型，通过BERT与增强LSTM双通道编码器及异构特征交互模块，充分挖掘句法和语义信息，在ASTE任务上超越现有最优方法。
2024-02-23 cs.AI cs.CL cs.LG
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
STAGE: Span Tagging and Greedy Inference Scheme for Aspect Sentiment Triplet Extraction
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；Joint Laboratory of HUST and Pingan Property & Casualty Research (HPL)（华中科技大学与平安财产保险研究院联合实验室）；Beijing Institute of Technology（北京理工大学）；Ping An Property & Casualty Insurance company of China, Ltd（中国平安财产保险股份有限公司）
针对现有ASTE模型依赖单词单角色假设和词级交互导致在复杂场景下表现不佳的问题，提出跨度标记与贪心推理方案STAGE，将其转化为多类跨度分类问题，在四个数据集上大幅超越现有最优方法且易于泛化。
2023-04-09 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
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
TDAM: a Topic-Dependent Attention Model for Sentiment Analysis
University of Warwick（华威大学）
我们提出了一个主题相关的注意力模型的情感分类和主题提取。我们的模型假设一个全局主题嵌入是共享的文档，并采用注意力机制，以获得本地主题嵌入的单词和句子。这些随后被纳入一个修改后的门控递归单元（GRU）的情感分类和提取的主题承载不同的情感极性。这些主题是在多任务学习框架的背景下，通过GRU细胞的内部注意力学习到的单词的局部主题嵌入而产生的。在本文中，我们提出了分层架构，新的GRU单元和用户评论进行的实验，展示了分类性能与最先进的方法，情感分类和主题一致性优于目前的方法，监督主题提取。此外，我们的模型能够提取连贯的方面情感集群，尽管没有使用方面级注释进行训练。
2019-08-18 cs.CL cs.LG
DESS: DeBERTa Enhanced Syntactic-Semantic Aspect Sentiment Triplet Extraction
Department of Computer Science & Engineering, University of Moratuwa（计算机科学与工程系，莫图瓦大学）
针对方面情感三元组提取（ASTE）中准确捕捉方面、观点与情感极性关系的挑战，提出DESS方法，整合DeBERTa增强注意力机制与LSTM双通道处理语义和语法模式，在标准数据集上F1分数显著提升，有效提升细粒度情感分析性能。
2025-11-13 cs.CL
`Who would have thought of that!': A Hierarchical Topic Model for Extraction of Sarcasm-prevalent Topics and Sarcasm Detection
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什研究学院）；IIT-BHU (Varanasi)（印度理工学院贝纳拉斯印度教大学分校（瓦拉纳西））
主题模型已被报道是有益的方面为基础的情感分析。本文报告了一个简单的主题模型的讽刺检测，第一，尽我们所知。设计的直觉的基础上，讽刺的推文很可能有一个混合的话，这两种情绪对推文与文字的情绪（无论是积极的还是消极的），我们的分层主题模型发现了流行的主题和主题级的情绪。使用使用标签标记的推文数据集，该模型估计主题级别和情感级别的分布。我们的评估表明，“工作”、“枪支法”、“天气”等话题是最受欢迎的话题。我们的模型还能够发现存在于给定情感相关标签的文本中的情感承载词的混合物。最后，我们应用我们的模型来预测推文中的讽刺。我们优于两个先前的工作的基础上统计分类与特定功能，约25%。
2016-11-22 cs.CL
If you've got it, flaunt it: Making the most of fine-grained sentiment annotations
University of Oslo（奥斯陆大学）
细粒度的情感分析试图提取情感持有者、目标和极性表达，并解决它们之间的关系，但进展受到注释困难的阻碍。另一方面，有针对性的情感分析是一个更窄的任务，专注于提取情感目标和分类他们的polarity.In本文中，我们探讨是否合并持有人和表情信息可以提高目标提取和分类，并在八个英文数据集上进行实验。我们的结论是，共同预测目标和极性BIO标签提高目标提取，并增加输入文本与黄金的表达一般提高有针对性的极性分类。这突出了为细粒度情感数据集注释表达式的潜在重要性。同时，我们的研究结果表明，目前的模型预测极表达的性能很差，阻碍了这些信息在实践中的好处。
2021-01-30 cs.CL
Train Once for All: A Transitional Approach for Efficient Aspect Sentiment Triplet Extraction
Columbia University（哥伦比亚大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出首个基于转移的联合提取模型，在线性时间内同时处理方面-观点对提取和方面情感三元组提取，并通过对比增强优化提升动作预测准确性，在组合数据集上取得最优F1性能。
2025-02-07 cs.CL
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
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
Exploiting Adaptive Contextual Masking for Aspect-Based Sentiment Analysis
Oklahoma State University（俄克拉荷马州立大学）
本文针对ABSA中静态注意力掩码难以适应上下文的问题，提出基于上下文的自适应掩码方法，在四个基准数据集上提升了方面词提取和方面情感分类的准确率与F1分数。
2025-07-17 cs.CL
Advancing Aspect-Based Sentiment Analysis through Deep Learning Models
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）；Shandong Xiehe University（山东协和学院）；Beijing University of Technology（北京工业大学）；Graduate School of Information Science and Technology, Osaka University（大阪大学信息科学与技术研究科）；UniSA STEM, University of South Australia（南澳大学STEM学院）；Graduate School of Advanced Science and Engineering, Hiroshima University（广岛大学先进科学与工程研究科）
本文提出边缘增强型图卷积模型 SentiSys，融合 Bi-LSTM、自注意力 transformer、Bi-GCN 消息传递与方面掩码，在四个基准数据集上提升了基于方面的情感分析性能。
2024-09-09 cs.AI cs.CL
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
AdaptiSent: Context-Aware Adaptive Attention for Multimodal Aspect-Based Sentiment Analysis
Department of Computer Science Oklahoma State University（计算机科学系奥克拉荷马州立大学）
AdaptiSent 提出一种融合动态模态加权与上下文自适应注意力的多模态方面级情感分析框架，在 Twitter 数据集上显著提升情感分类和方面词抽取性能。
2025-07-17 cs.CL
An Aspect Extraction Framework using Different Embedding Types, Learning Models, and Dependency Structure
Boğaziçi University（博加齐大学）
本文提出一种结合多种词嵌入与学习模型、并引入基于依存分析的树位置编码的方面抽取框架，构建了新土耳其语数据集，实验证明其性能优于现有方法。
2025-03-05 cs.CL cs.LG
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
Sentiment Analysis Using Collaborated Opinion Mining
Bhagwan Parshuram Institute of Technology（巴格万·帕舒拉姆理工学院）
随着万维网和互联网的普及，意见挖掘和情感分析成为一个新兴的研究领域。观点是指从原始的、庞大的数据中提取出表达观点的句子或短语。另一方面，情感分析识别所提取的意见的极性。在本文中，我们提出了情感分析与意见提取，总结，并跟踪记录的学生。本文对现有的算法进行了改进，以获取学生的合作意见。由此产生的意见表示为非常高、高、中等、低和非常低。本文是基于一个案例研究，教师给他们的意见，学生和通过应用所提出的情感分析算法的意见提取和表示。
2014-01-12 cs.CL cs.IR
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
Seeking Common but Distinguishing Difference, A Joint Aspect-based Sentiment Analysis Model
Shanghai Jiao Tong University（上海交通大学）
基于情感的情感分析（ABSA）任务包括三个典型的子任务：方面术语提取，意见术语提取和情感极性分类。这三个子任务通常联合执行，以节省资源并减少流水线中的错误传播。然而，大多数现有的联合模型只关注子任务之间的编码器共享的好处，而忽略了差异。因此，我们提出了一个联合ABSA模型，它不仅享有编码器共享的好处，但也侧重于差异，以提高模型的有效性。详细地，我们介绍了一种双编码器设计，其中成对编码器特别关注候选方面观点对分类，而原始编码器则关注序列标记。实证结果表明，我们提出的模型具有鲁棒性，并显着优于以前的国家的最先进的四个基准数据集。
2021-11-18 cs.CL
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
INSIGHT-1 at SemEval-2016 Task 5: Deep Learning for Multilingual Aspect-based Sentiment Analysis
Insight Centre for Data Analytics（数据洞察中心）；National University of Ireland, Galway（爱尔兰国立大学戈尔韦分校）；Aylien Ltd.（Aylien有限公司）
本文描述了我们基于深度学习的多语言基于方面的情感分析方法，作为SemEval 2016任务5的一部分。我们使用卷积神经网络（CNN）进行方面提取和基于方面的情感分析。我们铸造方面提取作为一个多标签分类问题，输出概率方面参数化的阈值。为了确定对一个方面的情感，我们将一个方面向量与每个词嵌入连接起来，并对其应用卷积。（英语不受限制）在所有语言和领域都取得了竞争性的结果，分别在11个语言-领域对中的5个和7个方面类别检测（插槽1）和情感极性（插槽3）中排名第一或第二，从而证明了用于多语言基于方面的情感分析的基于深度学习的方法的可行性。
2016-09-22 cs.CL cs.LG
AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis
School of Electrical and Computer Engineering, AILS Laboratory（电气与计算机工程学院，AILS实验室）；National Technical University of Athens（希腊雅典国家技术大学）
AILS-NTUA 提出了一种高效维度方面基于情感分析方法，结合语言适配编码器和 LoRA 指令微调，实现多语言多领域下的三元组和四元组提取，提升情感分析性能。
2026-03-05 cs.CL
Sentiment-Aware Recommendation Systems in E-Commerce: A Review from a Natural Language Processing Perspective
University of Dayton（代顿大学）
本文从自然语言处理视角系统综述了2023至2025年初电子商务情感感知推荐系统，归纳了深度学习、Transformer、图神经网络和对话式推荐四类方法，并指出关键挑战与未来研究方向。
2025-05-03 cs.AI 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
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
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
Simple Unsupervised Similarity-Based Aspect Extraction
Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
在情感分析的上下文中，对执行集中于被评估的实体的特定方面的更细粒度分析的兴趣日益增长。这是基于情感的情感分析（ABSA）的目标，ABSA主要包括两个任务：方面提取和极性检测。第一个任务负责发现评论文本中提到的方面，第二个任务为该方面分配情感取向（积极，消极或中性）。目前，ABSA的最新技术包括深度学习方法的应用，如递归、卷积和注意力神经网络。这些技术的局限性在于，它们需要大量的训练数据并且在计算上昂贵。在本文中，我们提出了一个简单的方法，称为SUAEx方面提取。SUAEx是无监督的，仅依赖于词嵌入的相似性。在三个不同领域的数据集上的实验结果表明，SUAEx在很短的时间内就可以获得优于最先进的基于注意力的方法的结果。
2020-08-25 cs.CL
An Iterative Multi-Knowledge Transfer Network 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）
基于特征的情感分析（ABSA）主要涉及三个子任务：特征词提取、观点词提取和特征级情感分类，这三个子任务通常以单独或联合的方式处理。然而，以往的方法没有很好地利用三个子任务之间的交互关系，也没有针对性地利用易于获取的文档级标注领域/情感知识，这限制了它们的性能。为了解决这些问题，我们提出了一种新的迭代多知识转移网络（IMKTN）的端到端ABSA。一方面，通过ABSA子任务之间的相互关联，IMKTN利用一个设计良好的路由算法，在令牌级将任务特定的知识从三个子任务中的任意两个子任务传递到另一个子任务，即三个子任务中的任意两个子任务将帮助第三个子任务。另一方面，我们的IMKTN有针对性地传递文档级知识，即，领域特定的和情感相关的知识，以方面级子任务，以进一步提高相应的性能。在三个基准数据集上的实验结果证明了该方法的有效性和优越性。
2021-09-02 cs.CL
