論文の概要: Relational Graph Attention Network for Aspect-based Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2004.12362v1
- Date: Sun, 26 Apr 2020 12:21:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 13:00:25.294685
- Title: Relational Graph Attention Network for Aspect-based Sentiment Analysis
- Title（参考訳）: アスペクトベース感情分析のための関係グラフ注意ネットワーク
- Authors: Kai Wang and Weizhou Shen and Yunyi Yang and Xiaojun Quan and Rui Wang
- Abstract要約: アスペクトベースの感情分析は、オンラインレビューにおける特定の側面に対する感情の極性を決定することを目的としている。
感情予測のための新しい木構造を符号化するリレーショナルグラフアテンションネットワーク(R-GAT)を提案する。
SemEval 2014とTwitterのデータセットで実験が行われている。
- 参考スコア（独自算出の注目度）: 35.342467338880546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aspect-based sentiment analysis aims to determine the sentiment polarity
towards a specific aspect in online reviews. Most recent efforts adopt
attention-based neural network models to implicitly connect aspects with
opinion words. However, due to the complexity of language and the existence of
multiple aspects in a single sentence, these models often confuse the
connections. In this paper, we address this problem by means of effective
encoding of syntax information. Firstly, we define a unified aspect-oriented
dependency tree structure rooted at a target aspect by reshaping and pruning an
ordinary dependency parse tree. Then, we propose a relational graph attention
network (R-GAT) to encode the new tree structure for sentiment prediction.
Extensive experiments are conducted on the SemEval 2014 and Twitter datasets,
and the experimental results confirm that the connections between aspects and
opinion words can be better established with our approach, and the performance
of the graph attention network (GAT) is significantly improved as a
consequence.
- Abstract（参考訳）: アスペクトベースの感情分析は、オンラインレビューにおける特定の側面に対する感情の極性を決定することを目的としている。
最近の取り組みでは、関心に基づくニューラルネットワークモデルを採用して、意見語とアスペクトを暗黙的に結びつける。
しかし、言語の複雑さと1つの文に複数の側面が存在するため、これらのモデルはしばしば接続を混乱させる。
本稿では,構文情報の効果的なエンコーディングによってこの問題に対処する。
まず、通常の依存関係解析木を書き換えて刈り取ることにより、対象アスペクトに根ざしたアスペクト指向の依存性ツリー構造を統一的に定義する。
次に,感情予測のための新しい木構造を符号化する関係グラフアテンションネットワーク(r-gat)を提案する。
semeval 2014 と twitter のデータセットについて広範な実験を行い,提案手法によりアスペクト語と意見語との接続性が向上し,グラフアテンションネットワーク (gat) の性能が大幅に向上したことを確認した。
関連論文リスト
- Relational Graph Convolutional Networks for Sentiment Analysis [0.0]
Graph Convolutional Networks(NRGC)は、グラフ内のノードとして表されるデータポイント間の依存関係をキャプチャすることで、解釈性と柔軟性を提供する。
本稿では,Amazon および Digikala データセットの製品レビューにおいて,BERT や RoBERTa などの事前学習言語モデルと RGCN アーキテクチャを用いたアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-04-16T07:27:49Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - RDGCN: Reinforced Dependency Graph Convolutional Network for
Aspect-based Sentiment Analysis [43.715099882489376]
距離と型の両方のビューにおける依存性の重要度を計算するために,新たに強化された依存グラフ畳み込みネットワーク(RDGCN)を提案する。
この基準の下で、重み分布探索と相似性制御に強化学習を利用する距離重要度関数を設計する。
3つの一般的なデータセットに関する総合的な実験は、基準と重要度関数の有効性を示す。
論文 参考訳（メタデータ） (2023-11-08T05:37:49Z) - Aspect-oriented Opinion Alignment Network for Aspect-Based Sentiment
Classification [14.212306015270208]
本稿では、意見語とそれに対応する側面の文脈的関連を捉えるために、アスペクト指向オピニオンアライメントネットワーク(AOAN)を提案する。
さらに,対象の側面に関連性のある意見情報を一致させる多視点的注意機構を設計する。
提案モデルでは,3つのベンチマークデータセットに対して最先端の結果が得られた。
論文 参考訳（メタデータ） (2023-08-22T13:55:36Z) - RSG-Net: Towards Rich Sematic Relationship Prediction for Intelligent
Vehicle in Complex Environments [72.04891523115535]
本稿では,オブジェクトの提案から潜在的意味関係を予測するグラフ畳み込みネットワークRSG-Netを提案する。
実験の結果、このネットワークはロードシーングラフデータセットに基づいてトレーニングされており、エゴ車両周辺のオブジェクト間の潜在的な意味関係を効率的に予測できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T12:40:17Z) - Learn from Structural Scope: Improving Aspect-Level Sentiment Analysis
with Hybrid Graph Convolutional Networks [6.116341682577877]
アスペクトレベルの感情分析は、文中の特定の対象に対する感情の極性を決定することを目的としている。
本稿では,特定の対象に関する構造的テキスト領域を概説するスコープの概念を紹介する。
本稿では,HGCN(Hybrid Graph Convolutional Network)を提案する。
論文 参考訳（メタデータ） (2022-04-27T09:10:22Z) - BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based
Sentiment Analysis [23.223136577272516]
アスペクトベースの感情分析は、アスペクト固有の感情極性推論のためにアスペクトと対応する感情を調整することを目的としている。
近年,グラフニューラルネットワークによる依存性の構文情報の利用が最も人気になっている。
この問題に対処するために,Bi-Syntax 対応グラフ注意ネットワーク (BiSyn-GAT+) を提案する。
論文 参考訳（メタデータ） (2022-04-06T22:18:12Z) - Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional
Networks and Syntax-based Regulation [89.38054401427173]
Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。
依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。
本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2020-10-26T07:36:24Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。