論文の概要: Attention-Based Neural Networks for Sentiment Attitude Extraction using Distant Supervision

• arxiv url: http://arxiv.org/abs/2006.13730v2
• Date: Tue, 30 Jun 2020 10:46:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 23:11:49.309760
• Title: Attention-Based Neural Networks for Sentiment Attitude Extraction using Distant Supervision
• Title（参考訳）: 遠隔監視による感情態度抽出のための注意型ニューラルネットワーク
• Authors: Nicolay Rusnachenko, Natalia Loukachevitch
• Abstract要約: 我々は,(1)特徴ベース,(2)自己ベースという2種類の注意的文脈エンコーダを適応させる。 RuSentRelコーパスを用いた実験では、トレーニングにRuAttitudesコーパスを使用する3クラス分類モデルが10%増加し、F1により3%余分に増加した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the sentiment attitude extraction task, the aim is to identify <<attitudes>> -- sentiment relations between entities mentioned in text. In this paper, we provide a study on attention-based context encoders in the sentiment attitude extraction task. For this task, we adapt attentive context encoders of two types: (1) feature-based; (2) self-based. In our study, we utilize the corpus of Russian analytical texts RuSentRel and automatically constructed news collection RuAttitudes for enriching the training set. We consider the problem of attitude extraction as two-class (positive, negative) and three-class (positive, negative, neutral) classification tasks for whole documents. Our experiments with the RuSentRel corpus show that the three-class classification models, which employ the RuAttitudes corpus for training, result in 10% increase and extra 3% by F1, when model architectures include the attention mechanism. We also provide the analysis of attention weight distributions in dependence on the term type.
• Abstract（参考訳）: 感情態度抽出タスクでは,<attitudes>-- テキストで言及されたエンティティ間の感情関係を識別することを目的とする。 本稿では,感情態度抽出作業における注意に基づく文脈エンコーダの検討を行う。 このタスクでは,(1)特徴ベース,(2)自己ベースという2種類の注意コンテキストエンコーダを適用する。 本研究では,ロシア語分析テキストRuSentRelのコーパスと,学習セットの充実のためのニュースコレクションRuAttitudesを自動構築する。 態度抽出の問題は,文書全体の2類(正・負・中等)と3類(正・負・中等)の分類課題である。 RuSentRel corpus を用いた実験の結果,RuAttitudes corpus を用いた3クラス分類モデルでは,注意機構を含むモデルアーキテクチャでは,F1 が10% 増加し,さらに F1 が 3% 余分に増加した。 また,用語の種類に依存した注意重み分布の解析を行った。

関連論文リスト

• Tell Me Why You Feel That Way: Processing Compositional Dependency for Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE) [0.0]
  本稿では, 依存木LSTMの合成感情解析構造と相補的記号規則を利用したハイブリッド型ニューラルシンボリック手法を提案する。 本手法は, 必要なデータを単純化し, 解釈可能性の度合いを提供しながら, 最先端の手法に則して実行可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-10T01:52:10Z)
• Opinion Transmission Network for Jointly Improving Aspect-oriented Opinion Words Extraction and Sentiment Classification [56.893393134328996]
  アスペクトレベルの感情分類(ALSC)とアスペクト指向の意見単語抽出(AOWE)は、アスペクトベースの感情分析の2つのサブタスクである。 本稿では,ALSC と AOWE の橋梁を利用した新しい接続モデル Opinion Transmission Network (OTN) を提案する。
  論文  参考訳（メタデータ） (2020-11-01T11:00:19Z)
• Attention Transfer Network for Aspect-level Sentiment Classification [30.704053194980528]
  アスペクトレベルの感情分類(ASC)は、文中の特定の意見対象の感情極性を検出することを目的としている。 データ不足は、しばしば注意機構が、ターゲットの対応する感情語に焦点を合わせるのに失敗する。 本稿では、文書レベルの感情分類データセットから注意知識をうまく活用できる新しい注意伝達ネットワーク(ATN)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T04:26:33Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Simple Unsupervised Similarity-Based Aspect Extraction [0.9558392439655015]
  アスペクト抽出のための単純なアプローチSUAExを提案する。 SUAExは教師なしであり、単語埋め込みの類似性のみに依存している。 3つの異なる領域のデータセットに対する実験結果から、SUAExは最先端の注目に基づくアプローチをわずかに上回る結果が得られることが示されている。
  論文  参考訳（メタデータ） (2020-08-25T04:58:07Z)
• Studying Attention Models in Sentiment Attitude Extraction Task [0.0]
  我々は,(i)特徴ベース,(ii)自己ベースという2種類の注意的文脈エンコーダを適応する。 ロシアの分析テキストRuSentRelのコーパスによる実験では、注意的エンコーダで訓練されたモデルは、それらを使わずに訓練されたモデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-06-20T16:09:24Z)
• CompGuessWhat?!: A Multi-task Evaluation Framework for Grounded Language Learning [78.3857991931479]
  本稿では,属性を用いたグラウンドド言語学習のための評価フレームワークGROLLAを提案する。 また、学習したニューラル表現の品質を評価するためのフレームワークの例として、新しいデータセットCompGuessWhat!?を提案する。
  論文  参考訳（メタデータ） (2020-06-03T11:21:42Z)
• Probing Linguistic Features of Sentence-Level Representations in Neural Relation Extraction [80.38130122127882]
  ニューラルリレーション抽出(RE)に関連する言語特性を対象とした14の探索タスクを導入する。 私たちは、40以上の異なるエンコーダアーキテクチャと2つのデータセットでトレーニングされた言語的特徴の組み合わせによって学習された表現を研究するためにそれらを使用します。 アーキテクチャによって引き起こされるバイアスと言語的特徴の含意は、探索タスクのパフォーマンスにおいて明らかに表現されている。
  論文  参考訳（メタデータ） (2020-04-17T09:17:40Z)
• Salience Estimation with Multi-Attention Learning for Abstractive Text Summarization [86.45110800123216]
  テキスト要約のタスクでは、単語、フレーズ、文のサリエンス推定が重要な要素である。 本稿では,サラレンス推定のための2つの新しい注目学習要素を含むマルチアテンション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T02:38:56Z)
• An Iterative Multi-Knowledge Transfer Network for Aspect-Based Sentiment Analysis [73.7488524683061]
  本稿では,エンド・ツー・エンドABSAのための新しいIterative Multi-Knowledge Transfer Network (IMKTN)を提案する。 我々のIMKTNは、よく設計されたルーティングアルゴリズムを用いて、3つのサブタスクのうち2つのタスク固有の知識をトークンレベルで別のタスクに転送する。 3つのベンチマークデータセットの実験結果は、我々のアプローチの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2020-04-04T13:49:54Z)

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。