Fugu-MT 論文翻訳(概要): Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding

論文の概要: Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding

arxiv url: http://arxiv.org/abs/2010.06705v1
Date: Tue, 13 Oct 2020 21:33:24 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 23:12:27.326336
Title: Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding
Title（参考訳）: 統合アスペクト強調トピック埋め込みによる弱教師付きアスペクトベース感情分析
Authors: Jiaxin Huang, Yu Meng, Fang Guo, Heng Ji, Jiawei Han
Abstract要約: 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。
参考スコア（独自算出の注目度）: 71.2260967797055
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aspect-based sentiment analysis of review texts is of great value for understanding user feedback in a fine-grained manner. It has in general two sub-tasks: (i) extracting aspects from each review, and (ii) classifying aspect-based reviews by sentiment polarity. In this paper, we propose a weakly-supervised approach for aspect-based sentiment analysis, which uses only a few keywords describing each aspect/sentiment without using any labeled examples. Existing methods are either designed only for one of the sub-tasks, neglecting the benefit of coupling both, or are based on topic models that may contain overlapping concepts. We propose to first learn <sentiment, aspect> joint topic embeddings in the word embedding space by imposing regularizations to encourage topic distinctiveness, and then use neural models to generalize the word-level discriminative information by pre-training the classifiers with embedding-based predictions and self-training them on unlabeled data. Our comprehensive performance analysis shows that our method generates quality joint topics and outperforms the baselines significantly (7.4% and 5.1% F1-score gain on average for aspect and sentiment classification respectively) on benchmark datasets. Our code and data are available at https://github.com/teapot123/JASen.
Abstract（参考訳）: レビューテキストのアスペクトベースの感情分析は、ユーザのフィードバックをきめ細かい方法で理解するのに非常に価値がある。一般に2つのサブタスクがある。 (i)各レビューからアスペクトを抽出すること、 (II)感情極性によるアスペクトベースのレビューの分類。本稿では,アスペクトベース感情分析のための弱い教師付きアプローチを提案し,ラベル付き例を使わずに各アスペクト/強調を記述できるキーワードは少ない。既存の手法はサブタスクの1つにのみ設計されており、両方の結合の利点を無視しているか、重複する概念を含む可能性のあるトピックモデルに基づいている。そこで我々は,まず,単語の埋め込み空間に<Sentiment, aspect>を組み込むことで,トピックの特長を高めるために正規化を付与し,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し,埋め込みに基づく予測とラベルなしデータによる自己学習を行うことを提案する。総合的な性能分析の結果,ベンチマークデータセットにおいて,本手法は質の高いジョイントトピックを生成し,ベースラインを著しく上回っている(7.4%と5.1%のf1-score利得)。私たちのコードとデータはhttps://github.com/teapot123/jasenで入手できます。

関連論文リスト

Document-Level Supervision for Multi-Aspect Sentiment Analysis Without Fine-grained Labels [14.187425779776204]
本稿では,文書レベルの監視を用いてABSAを実行するVAEベースのトピックモデリング手法を提案する。この手法により、文書内の複数の側面を検知し、複数の側面を通して表現された感情がどのように集まって、観察可能な文書レベルの感情を形成するのかを推論することが可能になる。
論文参考訳（メタデータ） (2023-10-10T18:53:21Z)
AX-MABSA: A Framework for Extremely Weakly Supervised Multi-label Aspect Based Sentiment Analysis [8.067010122141985]
極めて弱い教師付き多言語Aspect Category Sentiment Analysis フレームワークを提案する。最初の指示情報として、クラスごとに1つの単語しか依存していません。本稿では、これらのシードカテゴリと感情語を選択するための自動単語選択手法を提案する。
論文参考訳（メタデータ） (2022-11-07T19:44:42Z)
BERT-ASC: Auxiliary-Sentence Construction for Implicit Aspect Learning in Sentiment Analysis [4.522719296659495]
本稿ではアスペクト分類とアスペクトベース感情サブタスクに対処する統合フレームワークを提案する。コーパスのセマンティック情報を用いて暗黙的側面のための補助文を構築する機構を導入する。次に、BERTはアスペクト自体ではなく、この補助文に応答してアスペクト固有の表現を学ぶことを推奨する。
論文参考訳（メタデータ） (2022-03-22T13:12:27Z)
Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文参考訳（メタデータ） (2022-02-28T18:09:44Z)
Auto-ABSA: Cross-Domain Aspect Detection and Sentiment Analysis Using Auxiliary Sentences [1.368483823700914]
本研究では,感情予測を支援するために,文に含まれる側面を補助文として用いた手法を提案する。 1つ目はアスペクト検出であり、文が持つすべてのアスペクトを予測するためにマルチアスペクト検出モデルを使用する。 2つ目は、ドメイン外アスペクトベースの感情分析(ABSA)、ある種類のデータセットで感情分類モデルをトレーニングし、別の種類のデータセットでそれを検証することである。
論文参考訳（メタデータ） (2022-01-05T04:23:29Z)
Fine-Grained Opinion Summarization with Minimal Supervision [48.43506393052212]
FineSumは、複数のドキュメントから意見を抽出することでターゲットをプロファイルすることを目的としている。 FineSumは、生のコーパスから意見語句を自動的に識別し、異なる側面と感情に分類し、各アスペクト/感覚の下に複数のきめ細かい意見クラスタを構築する。ベンチマークの自動評価と定量的人的評価の両方が,本手法の有効性を検証した。
論文参考訳（メタデータ） (2021-10-17T15:16:34Z)
Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文参考訳（メタデータ） (2020-11-02T08:07:50Z)
A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
論文参考訳（メタデータ） (2020-06-02T13:34:11Z)
A computational model implementing subjectivity with the 'Room Theory'. The case of detecting Emotion from Text [68.8204255655161]
本研究は,テキスト分析における主観性と一般的文脈依存性を考慮した新しい手法を提案する。単語間の類似度を用いて、ベンチマーク中の要素の相対的関連性を抽出することができる。この方法は、主観的評価がテキストの相対値や意味を理解するために関係しているすべてのケースに適用できる。
論文参考訳（メタデータ） (2020-05-12T21:26:04Z)
Aspect Term Extraction using Graph-based Semi-Supervised Learning [1.0499611180329804]
本稿では,アスペクト項抽出のためのグラフに基づく半教師付き学習手法を提案する。レビュー文書内の識別されたトークンはすべて、ラベル付きトークンの小さなセットからアスペクトまたは非アスペクトの用語に分類される。提案手法は, 認識されたアスペクト項に関連付けられた意見語の極性を決定するために, さらに拡張された。
論文参考訳（メタデータ） (2020-02-20T13:11:02Z)

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。