論文の概要: A Context-based Disambiguation Model for Sentiment Concepts Using a
Bag-of-concepts Approach
- arxiv url: http://arxiv.org/abs/2008.03020v1
- Date: Fri, 7 Aug 2020 07:16:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 01:22:06.466632
- Title: A Context-based Disambiguation Model for Sentiment Concepts Using a
Bag-of-concepts Approach
- Title（参考訳）: Bag-of-conceptsアプローチを用いた知覚概念の文脈ベース曖昧化モデル
- Authors: Zeinab Rajabi, MohammadReza Valavi, Maryam Hourali
- Abstract要約: 本研究では,コモンセンス知識を用いてあいまいな極性概念を解くための文脈モデルを提案する。
提案モデルは,Semevalと呼ばれる製品レビューコーパスを適用して評価する。
実験の結果,提案モデルの有効性を示す精度は82.07%であった。
- 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: With the widespread dissemination of user-generated content on different
social networks, and online consumer systems such as Amazon, the quantity of
opinionated information available on the Internet has been increased. One of
the main tasks of the sentiment analysis is to detect polarity within a text.
The existing polarity detection methods mainly focus on keywords and their
naive frequency counts; however, they less regard the meanings and implicit
dimensions of the natural concepts. Although background knowledge plays a
critical role in determining the polarity of concepts, it has been disregarded
in polarity detection methods. This study presents a context-based model to
solve ambiguous polarity concepts using commonsense knowledge. First, a model
is presented to generate a source of ambiguous sentiment concepts based on
SenticNet by computing the probability distribution. Then the model uses a
bag-of-concepts approach to remove ambiguities and semantic augmentation with
the ConceptNet handling to overcome lost knowledge. ConceptNet is a large-scale
semantic network with a large number of commonsense concepts. In this paper,
the point mutual information (PMI) measure is used to select the contextual
concepts having strong relationships with ambiguous concepts. The polarity of
the ambiguous concepts is precisely detected using positive/negative contextual
concepts and the relationship of the concepts in the semantic knowledge base.
The text representation scheme is semantically enriched using Numberbatch,
which is a word embedding model based on the concepts from the ConceptNet
semantic network. The proposed model is evaluated by applying a corpus of
product reviews, called Semeval. The experimental results revealed an accuracy
rate of 82.07%, representing the effectiveness of the proposed model.
- Abstract（参考訳）: 異なるソーシャルネットワークやAmazonなどのオンライン消費者システム上でのユーザ生成コンテンツの普及に伴い、インターネット上で利用可能な意見情報の量が増えてきた。
感情分析の主な課題の1つは、テキスト内の極性を検出することである。
既存の極性検出法は主にキーワードとその単純な周波数数に重点を置いているが、それらは自然概念の意味や暗黙の次元を軽視している。
背景知識は概念の極性を決定する上で重要な役割を果たすが、極性検出法では無視されている。
本研究では,コモンセンス知識を用いてあいまいな極性概念を解くための文脈モデルを提案する。
まず、確率分布を計算することにより、SenticNetに基づく曖昧な感情概念の源泉を生成するモデルを示す。
次に、概念の袋(bag-of-concepts)アプローチを使用して、概念ネットハンドリングによる曖昧さと意味的拡張を取り除き、失われた知識を克服する。
ConceptNetは、多数のコモンセンス概念を持つ大規模なセマンティックネットワークである。
本稿では,不明瞭な概念と強い関係を持つ文脈概念を選択するために,ポイント相互情報(PMI)尺度を用いる。
曖昧な概念の極性は、肯定的/否定的文脈概念と意味的知識ベースにおける概念の関係を用いて正確に検出される。
テキスト表現スキームは、概念ネットセマンティックネットワークの概念に基づく単語埋め込みモデルであるNumberbatchを用いて意味的にリッチ化されている。
提案モデルはsemevalと呼ばれる製品レビューのコーパスを適用することで評価される。
実験の結果,提案モデルの有効性を示す精度は82.07%であった。
関連論文リスト
- Do Concept Bottleneck Models Obey Locality? [16.141263815153206]
概念に基づく学習は、人間の理解可能な概念を通して予測を説明することによって、深層学習モデルの解釈可能性を改善する。
最近の研究は、この仮定がConcept Bottleneck Models(CBM)で成り立たないことを強く示唆している。
CBMは、そのような概念が空間的にも意味的にも局所化されているとき、概念間の条件独立の度合いを捉えている。
その結果,CBMが学習した概念表現の質に疑問を呈し,概念に基づく説明は地域外の変化に対して脆弱である可能性が強く示唆された。
論文 参考訳（メタデータ） (2024-01-02T16:05:23Z) - Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。
ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。
本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-08T20:41:18Z) - Implicit Concept Removal of Diffusion Models [96.03200681493348]
テキスト・ツー・イメージ(T2I)拡散モデルは、透かしや安全でない画像などの不要な概念を不注意に生成する。
幾何学駆動制御に基づく新しい概念除去手法であるGeom-Erasingを提案する。
論文 参考訳（メタデータ） (2023-10-09T17:13:10Z) - ConceptBed: Evaluating Concept Learning Abilities of Text-to-Image
Diffusion Models [79.10890337599166]
本研究では,284のユニークな視覚概念と33Kの合成テキストプロンプトからなる大規模データセットであるConceptBedを紹介する。
我々は、対象、属性、スタイルのいずれかである視覚概念を評価し、また、構成性の4つの次元(計数、属性、関係、行動)を評価する。
私たちの結果は、概念を学ぶことと、既存のアプローチが克服に苦労する構成性を維持することのトレードオフを示しています。
論文 参考訳（メタデータ） (2023-06-07T18:00:38Z) - A Unified Concept-Based System for Local, Global, and Misclassification
Explanations [13.321794212377949]
地域概念とグローバル概念の両方を教師なしで学習するための統合された概念ベースシステムを提案する。
我々の主な目的は、代理説明ネットワークを訓練することで、各データカテゴリの根底にある本質的な概念を明らかにすることである。
我々のアプローチは、正確な予測と誤予測の両方を説明するのに役立ちます。
論文 参考訳（メタデータ） (2023-06-06T09:28:37Z) - Interpretable Neural-Symbolic Concept Reasoning [7.1904050674791185]
概念に基づくモデルは、人間の理解可能な概念のセットに基づいてタスクを学習することでこの問題に対処することを目的としている。
本稿では,概念埋め込みに基づく最初の解釈可能な概念ベースモデルであるDeep Concept Reasoner (DCR)を提案する。
論文 参考訳（メタデータ） (2023-04-27T09:58:15Z) - Concept Gradient: Concept-based Interpretation Without Linear Assumption [77.96338722483226]
概念活性化ベクトル(Concept Activation Vector, CAV)は、与えられたモデルと概念の潜在表現の間の線形関係を学習することに依存する。
我々は、線形概念関数を超えて概念に基づく解釈を拡張する概念グラディエント(CG)を提案した。
我々は、CGがおもちゃの例と実世界のデータセットの両方でCAVより優れていることを実証した。
論文 参考訳（メタデータ） (2022-08-31T17:06:46Z) - Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。
次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。
最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
論文 参考訳（メタデータ） (2022-02-25T01:27:31Z) - Translational Concept Embedding for Generalized Compositional Zero-shot
Learning [73.60639796305415]
一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。
本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
論文 参考訳（メタデータ） (2021-12-20T21:27:51Z) - Cause and Effect: Concept-based Explanation of Neural Networks [3.883460584034766]
ニューロンの内部表現や概念に対するニューロンの活性化を調べることで、ニューラルネットワークの解釈可能性の一歩を踏み出します。
概念(またはその否定)とタスククラスの間の因果関係の存在を確認するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-05-14T18:54:17Z)
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。