論文の概要: Multi-Instance Multi-Label Learning Networks for Aspect-Category Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2010.02656v1
• Date: Tue, 6 Oct 2020 12:07:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 06:55:27.423018
• Title: Multi-Instance Multi-Label Learning Networks for Aspect-Category Sentiment Analysis
• Title（参考訳）: Aspect-Category Sentiment Analysisのためのマルチインスタンスマルチラベル学習ネットワーク
• Authors: Yuncong Li, Cunxiang Yin, Sheng-hua Zhong and Xu Pan
• Abstract要約: Aspect-Category sentiment analysis (AC-MIMLLN) のためのマルチインスタンスマルチラベル学習ネットワークを提案する。 AC-MIMLLNは、文章をバッグ、単語をインスタンスとして扱い、アスペクトカテゴリのキーインスタンスとしてアスペクトカテゴリを示す単語を扱います。 3つの公開データセットの実験結果から,AC-MIMLLNの有効性が示された。
• 参考スコア（独自算出の注目度）: 8.378067521821045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect-category sentiment analysis (ACSA) aims to predict sentiment polarities of sentences with respect to given aspect categories. To detect the sentiment toward a particular aspect category in a sentence, most previous methods first generate an aspect category-specific sentence representation for the aspect category, then predict the sentiment polarity based on the representation. These methods ignore the fact that the sentiment of an aspect category mentioned in a sentence is an aggregation of the sentiments of the words indicating the aspect category in the sentence, which leads to suboptimal performance. In this paper, we propose a Multi-Instance Multi-Label Learning Network for Aspect-Category sentiment analysis (AC-MIMLLN), which treats sentences as bags, words as instances, and the words indicating an aspect category as the key instances of the aspect category. Given a sentence and the aspect categories mentioned in the sentence, AC-MIMLLN first predicts the sentiments of the instances, then finds the key instances for the aspect categories, finally obtains the sentiments of the sentence toward the aspect categories by aggregating the key instance sentiments. Experimental results on three public datasets demonstrate the effectiveness of AC-MIMLLN.
• Abstract（参考訳）: アスペクトカテゴリー感情分析(ACSA)は、与えられたアスペクトカテゴリに対する文の感情極性を予測することを目的としている。 文中の特定のアスペクトカテゴリに対する感情を検出するために、ほとんどの従来の手法は、まずアスペクトカテゴリのためのアスペクトカテゴリ固有の文表現を生成し、その表現に基づいて感情極性を予測する。 これらの方法は、文中のアスペクトカテゴリの感情が、文中のアスペクトカテゴリを示す単語の感情の集約であるという事実を無視し、結果として副最適性能をもたらす。 本稿では,文を袋,単語をインスタンスとして扱うアスペクトカテゴリー感情分析(ac-mimlln)と,アスペクトカテゴリを表す単語をアスペクトカテゴリのキーインスタンスとして扱うマルチインスタンス学習ネットワークを提案する。 文とアスペクトカテゴリが与えられた場合、ac-mimllnはまずインスタンスの感情を予測し、次にアスペクトカテゴリのキーインスタンスを見つけ、最後に、キーインスタンス感情を集約することで、文の感情をアスペクトカテゴリに向けて取得する。 ac-mimllnの有効性を示す3つの公開データセットに関する実験結果

関連論文リスト

• Label-Guided Prompt for Multi-label Few-shot Aspect Category Detection [12.094529796168384]
  文やカテゴリの表現は、このタスクにおいて重要な問題である。 文やカテゴリを表現するためのラベル誘導プロンプト手法を提案する。 マクロF1スコアは3.86%～4.75%向上した。
  論文  参考訳（メタデータ） (2024-07-30T09:11:17Z)
• Category-Extensible Out-of-Distribution Detection via Hierarchical Context Descriptions [35.20091752343433]
  この研究は2つの階層的文脈、すなわち知覚的文脈と刺激的文脈を導入し、正確な圏境界を注意深く記述する。 2つの文脈は、あるカテゴリの正確な記述を階層的に構成するが、これはまず、予測されたカテゴリにサンプルを大まかに分類する。 CATegory-Extensible OOD Detection (CATEX)
  論文  参考訳（メタデータ） (2024-07-23T12:53:38Z)
• Vocabulary-free Image Classification and Semantic Segmentation [71.78089106671581]
  本稿では,Vocabulary-free Image Classification (VIC)タスクを導入する。これは,制約のない言語による意味空間から,既知の語彙を必要とせずに,入力画像にクラスを割り当てることを目的としている。 VICは、細かなカテゴリを含む数百万の概念を含む意味空間の広さのために、挑戦的である。 本稿では,事前学習された視覚言語モデルと外部データベースを利用した学習自由度手法CaSEDを提案する。
  論文  参考訳（メタデータ） (2024-04-16T19:27:21Z)
• Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis [12.024076910894417]
  本稿では,ACSAタスクの階層的絡み合い(ECAN)を考慮したコヒーレンス対応ネットワークを提案する。 我々は,コヒーレンス表現に絡み合った複数のカテゴリと感情を効果的に分離し,SOTA(State-of-the-art)のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-03-15T11:32:44Z)
• AttrSeg: Open-Vocabulary Semantic Segmentation via Attribute Decomposition-Aggregation [33.25304533086283]
  オープンボキャブラリセマンティックセグメンテーションは、推論時に新しいオブジェクトカテゴリをセグメンテーションする必要がある難しいタスクである。 最近の研究では、この課題に対処するために視覚言語による事前訓練が検討されているが、現実的なシナリオでは非現実的な仮定に悩まされている。 本研究は,新しい概念を理解する上で,人間の認知に触発された新しい属性分解集約フレームワークであるAttrSegを提案する。
  論文  参考訳（メタデータ） (2023-08-31T19:34:09Z)
• Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation across Disjoint Labels [80.05697343811893]
  クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。 変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
  論文  参考訳（メタデータ） (2022-08-04T17:57:52Z)
• Category Contrast for Unsupervised Domain Adaptation in Visual Tasks [92.9990560760593]
  本稿では,視覚的 UDA タスクのインスタンス識別に先立って,セマンティックな事前情報を導入した新しいカテゴリコントラスト手法(CaCo)を提案する。 CaCoは既存のUDAメソッドを補完し、半教師付き学習や教師なしモデル適応などの他の学習設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-06-05T12:51:35Z)
• Few-shot Image Classification with Multi-Facet Prototypes [48.583388368897126]
  視覚的特徴をファセットに整理し、同じ種類の特徴を直感的にグループ化する。 カテゴリー名の事前訓練された埋め込みから、顔の重要性を予測することができる。 特に,あるカテゴリの集合に対して,予測されたフェーレット重み付けに依存する適応的類似度尺度を提案する。
  論文  参考訳（メタデータ） (2021-02-01T12:43:03Z)
• 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)
• Sentence Constituent-Aware Aspect-Category Sentiment Analysis with Graph Attention Networks [9.287196185066565]
  アスペクトカテゴリー感情分析は、文章で議論されたアスペクトカテゴリーの感情極性を予測することを目的としている。 アスペクト・カテゴリ・感情分析のためのSentence Constituent-Aware Network(SCAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-04T01:23:17Z)
• Commonality-Parsing Network across Shape and Appearance for Partially Supervised Instance Segmentation [71.59275788106622]
  そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。 本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-24T07:23:44Z)

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。