Fugu-MT 論文翻訳(概要): A Multi-task Learning Framework for Opinion Triplet Extraction

論文の概要: A Multi-task Learning Framework for Opinion Triplet Extraction

arxiv url: http://arxiv.org/abs/2010.01512v2
Date: Sat, 31 Oct 2020 02:55:55 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 03:41:14.255859
Title: A Multi-task Learning Framework for Opinion Triplet Extraction
Title（参考訳）: 意見三重項抽出のためのマルチタスク学習フレームワーク
Authors: Chen Zhang, Qiuchi Li, Dawei Song, Benyou Wang
Abstract要約: 本稿では,意見三重項抽出課題としてのABSAの新たな視点について述べる。アスペクト項と意見項を協調的に抽出するマルチタスク学習フレームワークを提案する。提案するフレームワークを,ASBAの4つのSemEvalベンチマークで評価する。
参考スコア（独自算出の注目度）: 24.983625011760328
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The state-of-the-art Aspect-based Sentiment Analysis (ABSA) approaches are mainly based on either detecting aspect terms and their corresponding sentiment polarities, or co-extracting aspect and opinion terms. However, the extraction of aspect-sentiment pairs lacks opinion terms as a reference, while co-extraction of aspect and opinion terms would not lead to meaningful pairs without determining their sentiment dependencies. To address the issue, we present a novel view of ABSA as an opinion triplet extraction task, and propose a multi-task learning framework to jointly extract aspect terms and opinion terms, and simultaneously parses sentiment dependencies between them with a biaffine scorer. At inference phase, the extraction of triplets is facilitated by a triplet decoding method based on the above outputs. We evaluate the proposed framework on four SemEval benchmarks for ASBA. The results demonstrate that our approach significantly outperforms a range of strong baselines and state-of-the-art approaches.
Abstract（参考訳）: 最先端のアスペクトベース感性分析(ABSA)アプローチは主にアスペクト項とその対応する感情極性の検出、あるいはアスペクトと意見項の共抽出に基づいている。しかし、アスペクト感性ペアの抽出は参照としての意見項を欠いているが、アスペクトと意見の用語の共抽出は感情依存を決定することなく意味のあるペアに繋がることはない。そこで本研究では,absaを意見三重項抽出タスクとして新しい視点を示し,アスペクト用語と意見語を共同で抽出し,それらの間の感情依存性をバイアフィンスコアで解析するマルチタスク学習フレームワークを提案する。推定段階では、上記出力に基づく三重項復号法により三重項の抽出が容易になる。提案するフレームワークを,ASBAの4つのSemEvalベンチマークで評価する。その結果,本手法は,強いベースラインと最先端アプローチを著しく上回ることがわかった。

関連論文リスト

OATS: Opinion Aspect Target Sentiment Quadruple Extraction Dataset for Aspect-Based Sentiment Analysis [55.61047894397937]
アスペクトベースの感情分析(ABSA)は、ユーザ生成レビュー内の異なる要素に特有の感情を理解する。 OATSデータセットは3つの新しいドメインを包含し,27,470の文レベルと17,092のレビューレベルから構成される。私たちのイニシアチブは、レストランやラップトップのようなよく知られたドメイン、複雑な四重項抽出タスクのための限られたデータ、時には文とレビューレベルの感情の相乗効果の監視といった、特定の観察されたギャップを埋めることを目指しています。
論文参考訳（メタデータ） (2023-09-23T07:39:16Z)
A Pairing Enhancement Approach for Aspect Sentiment Triplet Extraction [3.5838781091072143]
Aspect Sentiment Triplet extractは、アスペクト項、意見項、およびそれらの対応する感情極性の三重項をレビューテキストから抽出することを目的としている。言語の複雑さと一つの文に複数のアスペクト項と意見項が存在するため、現在のモデルはアスペクト項とそれを記述する意見項の関連を混乱させることが多い。本稿では,三重項抽出モデルにアスペクト対ペアリング知識を注入するために,訓練段階におけるコントラスト学習を取り入れたASTEのペアリング強化手法を提案する。
論文参考訳（メタデータ） (2023-06-11T07:32:10Z)
Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis [72.9124467710526]
生成的アプローチは、テキストから(1つ以上の)4つの要素を1つのタスクとして抽出するために提案されている。本稿では,ABSAを解くための統一的なフレームワークと,それに関連するサブタスクを提案する。
論文参考訳（メタデータ） (2022-10-12T23:38:57Z)
D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
論文参考訳（メタデータ） (2021-09-10T22:30:48Z)
Deep Context- and Relation-Aware Learning for Aspect-based Sentiment Analysis [3.7175198778996483]
本研究では,深い文脈情報を持つサブタスク間での対話的関係を実現するディープ・コンテクスチュアライズド・リレーア・アウェア・ネットワーク(DCRAN)を提案する。 DCRANは3つの広く使用されているベンチマークにおいて、従来の最先端の手法よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2021-06-07T17:16:15Z)
Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
論文参考訳（メタデータ） (2021-04-01T03:21:57Z)
A More Fine-Grained Aspect-Sentiment-Opinion Triplet Extraction Task [19.101354902943154]
よりきめ細かいAspect-Sentiment-Opinion Triplet Extraction Taskを紹介します。 ASOTEが抽出した三重項の感情は、アスペクト項と意見項ペアの感情である。いくつかの一般的なABSAベンチマークに基づいて、ASOTE用の4つのデータセットを構築します。
論文参考訳（メタデータ） (2021-03-29T00:42:51Z)
Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction [8.208671244754317]
アスペクトセンチメントトリプレット抽出(ASTE)は、きめ細かいオピニオンマイニングの新たなタスクです。我々はASTEタスクをマルチターン機械読解(MTMRC)タスクに変換する。本稿では,この課題に対処する双方向MRC(BMRC)フレームワークを提案する。
論文参考訳（メタデータ） (2021-03-13T09:30:47Z)
A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis [9.587513675287829]
アスペクトベースの感情分析は、アスペクト項抽出、意見項抽出、アスペクトレベルの感情分類の3つの基本的なサブタスクを含む。以前のアプローチでは、すべてのサブタスクを統一されたエンドツーエンドフレームワークで解決できなかった。パラメータ共有による2つのBERT-MRCモデルの共同トレーニングにより、2つの機械読解問題を構築し、すべてのサブタスクを解決します。
論文参考訳（メタデータ） (2021-01-04T07:47:53Z)
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)
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。