論文の概要: A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2101.00816v2
- Date: Wed, 7 Apr 2021 02:49:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 23:04:30.080230
- Title: A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis
- Title(参考訳): Aspect Based Sentiment Analysis のための統合訓練用デュアルMRCフレームワーク
- Authors: Yue Mao, Yi Shen, Chao Yu, Longjun Cai
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 9.587513675287829
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aspect based sentiment analysis (ABSA) involves three fundamental subtasks:
aspect term extraction, opinion term extraction, and aspect-level sentiment
classification. Early works only focused on solving one of these subtasks
individually. Some recent work focused on solving a combination of two
subtasks, e.g., extracting aspect terms along with sentiment polarities or
extracting the aspect and opinion terms pair-wisely. More recently, the triple
extraction task has been proposed, i.e., extracting the (aspect term, opinion
term, sentiment polarity) triples from a sentence. However, previous approaches
fail to solve all subtasks in a unified end-to-end framework. In this paper, we
propose a complete solution for ABSA. We construct two machine reading
comprehension (MRC) problems and solve all subtasks by joint training two
BERT-MRC models with parameters sharing. We conduct experiments on these
subtasks, and results on several benchmark datasets demonstrate the
effectiveness of our proposed framework, which significantly outperforms
existing state-of-the-art methods.
- Abstract(参考訳): アスペクトベース感情分析(ABSA)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という3つの基本的なサブタスクを含む。
初期の研究は、これらのサブタスクの1つを個別に解決することだけに焦点を当てていた。
最近の研究では、アスペクト項と感情極性の抽出、アスペクト項と意見項のペアごとに抽出といった、2つのサブタスクの組み合わせの解決に焦点を当てている。
最近では、三重抽出タスク(Aspect term, opinion term, sentiment polarity)が文から三重抽出タスクとして提案されている。
しかし、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。
本稿では,ABSAの完全解法を提案する。
我々は,パラメータ共有を伴う2つのBERT-MRCモデルを共同訓練することにより,2つの機械読影理解(MRC)問題を構築し,すべてのサブタスクを解決する。
我々は,これらのサブタスクについて実験を行い,いくつかのベンチマークデータセットの結果から,提案手法の有効性を実証する。
関連論文リスト
- A Novel Energy based Model Mechanism for Multi-modal Aspect-Based
Sentiment Analysis [85.77557381023617]
マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。
PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。
EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
論文 参考訳(メタデータ) (2023-12-13T12:00:46Z) - BitCoin: Bidirectional Tagging and Supervised Contrastive Learning based
Joint Relational Triple Extraction Framework [16.930809038479666]
両方向タギングと教師付きコントラスト学習に基づく連立三重抽出フレームワークであるBitCoinを提案する。
具体的には,1つの正に制限するのではなく,複数の正をアンカー毎に考慮した教師付きコントラスト学習手法を設計する。
本フレームワークは,対象物から対象物へのトリプル抽出を可能にするため,タグを2方向に実装する。
論文 参考訳(メタデータ) (2023-09-21T07:55:54Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-11-26T21:02:09Z) - 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) - A Simple Information-Based Approach to Unsupervised Domain-Adaptive
Aspect-Based Sentiment Analysis [58.124424775536326]
本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。
実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
論文 参考訳(メタデータ) (2022-01-29T10:18:07Z) - 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) - 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) - A Multi-task Learning Framework for Opinion Triplet Extraction [24.983625011760328]
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。
論文 参考訳(メタデータ) (2020-10-04T08:31:54Z) - 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) - 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。