論文の概要: Tell Me Why You Feel That Way: Processing Compositional Dependency for
Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE)
- arxiv url: http://arxiv.org/abs/2103.05815v1
- Date: Wed, 10 Mar 2021 01:52:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:58:50.712555
- Title: Tell Me Why You Feel That Way: Processing Compositional Dependency for
Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE)
- Title(参考訳): Tree-LSTM Aspect Sentiment Triplet Extraction (TASTE) の組成依存性について教えてください。
- Authors: A. Sutherland, S. Bensch, T. Hellstr\"om, S. Magg, S.Wermter
- Abstract要約: 本稿では, 依存木LSTMの合成感情解析構造と相補的記号規則を利用したハイブリッド型ニューラルシンボリック手法を提案する。
本手法は, 必要なデータを単純化し, 解釈可能性の度合いを提供しながら, 最先端の手法に則して実行可能であることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sentiment analysis has transitioned from classifying the sentiment of an
entire sentence to providing the contextual information of what targets exist
in a sentence, what sentiment the individual targets have, and what the causal
words responsible for that sentiment are. However, this has led to elaborate
requirements being placed on the datasets needed to train neural networks on
the joint triplet task of determining an entity, its sentiment, and the causal
words for that sentiment. Requiring this kind of data for training systems is
problematic, as they suffer from stacking subjective annotations and domain
over-fitting leading to poor model generalisation when applied in new contexts.
These problems are also likely to be compounded as we attempt to jointly
determine additional contextual elements in the future. To mitigate these
problems, we present a hybrid neural-symbolic method utilising a Dependency
Tree-LSTM's compositional sentiment parse structure and complementary symbolic
rules to correctly extract target-sentiment-cause triplets from sentences
without the need for triplet training data. We show that this method has the
potential to perform in line with state-of-the-art approaches while also
simplifying the data required and providing a degree of interpretability
through the Tree-LSTM.
- Abstract(参考訳): 感情分析は、文全体の感情の分類から、文に存在するターゲット、個々のターゲットが持っている感情、その感情の原因となる因果語が何であるかのコンテキスト情報の提供へと移行しました。
しかし、これは、エンティティ、その感情、およびその感情のための因果的言葉を決定する共同三重項タスクでニューラルネットワークを訓練するために必要なデータセットに、精巧な要件が配置されています。
主観的なアノテーションの積み重ねやドメイン・オーバーフィッティングに悩まされ、新しいコンテキストで適用するとモデル一般化が悪くなるため、この種のデータをトレーニングシステムに必要なのは問題になります。
これらの問題は、将来的に追加のコンテキスト要素を共同で決定しようとすると複雑になる可能性もあります。
これらの問題を緩和するために,三重項学習データを必要としない文から,係り受け木-LSTMの合成感情解析構造と相補的記号規則を用いたハイブリッドニューラルシンボリック手法を提案する。
本手法は,必要なデータを単純化し,Tree-LSTMを通して解釈しやすさを提供するとともに,最先端の手法に則して実行可能であることを示す。
関連論文リスト
- Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳(メタデータ) (2024-05-12T22:18:25Z) - A Hybrid Approach To Aspect Based Sentiment Analysis Using Transfer Learning [3.30307212568497]
本稿では,移動学習を用いたアスペクトベース感性分析のためのハイブリッド手法を提案する。
このアプローチは、大きな言語モデル(LLM)と従来の構文的依存関係の両方の長所を利用して、弱い教師付きアノテーションを生成することに焦点を当てている。
論文 参考訳(メタデータ) (2024-03-25T23:02:33Z) - BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based
Sentiment Analysis [23.223136577272516]
アスペクトベースの感情分析は、アスペクト固有の感情極性推論のためにアスペクトと対応する感情を調整することを目的としている。
近年,グラフニューラルネットワークによる依存性の構文情報の利用が最も人気になっている。
この問題に対処するために,Bi-Syntax 対応グラフ注意ネットワーク (BiSyn-GAT+) を提案する。
論文 参考訳(メタデータ) (2022-04-06T22:18:12Z) - Semantic and Syntactic Enhanced Aspect Sentiment Triplet Extraction [18.331779474247323]
Aspect Sentiment Triplet extractは、文章から三つ子を抽出することを目的としており、それぞれの三つ子には、エンティティ、関連する感情、そして感情の理由を説明する意見が含まれる。
本稿では,三重項要素間の統語的・意味的関係を完全に活用し,共同抽出を行うセマンティック・シンタクティック・エンハンスメント・アスペクト・センチメント三重項抽出モデル(S3E2)を提案する。
論文 参考訳(メタデータ) (2021-06-07T03:16:51Z) - Leveraging Recursive Processing for Neural-Symbolic Affect-Target
Associations [0.0]
本論文では,自然言語表現の感情的ラベルを用いて,抽出した対象,表現された感情と関連づける名詞チャンクを関連付けるコモンセンスアプローチを提案する。
我々は、木とサブツリー処理に順応したトレーニング済みニューラルネットワーク、Dependency Tree-LSTMを活用し、動的ターゲットの影響ラベルを学習する。
論文 参考訳(メタデータ) (2021-03-05T15:32:38Z) - Syntactic representation learning for neural network based TTS with
syntactic parse tree traversal [49.05471750563229]
本稿では,構文解析木に基づく構文表現学習手法を提案し,構文構造情報を自動的に活用する。
実験の結果,提案手法の有効性が示された。
複数の構文解析木を持つ文では、合成音声から韻律的差異が明確に認識される。
論文 参考訳(メタデータ) (2020-12-13T05:52:07Z) - SentiBERT: A Transferable Transformer-Based Architecture for
Compositional Sentiment Semantics [82.51956663674747]
SentiBERT は BERT の変種であり、構成的感情意味論を効果的に捉えている。
SentiBERTは語句レベルの感情分類において競争力を発揮することを示す。
論文 参考訳(メタデータ) (2020-05-08T15:40:17Z) - Neural Data-to-Text Generation via Jointly Learning the Segmentation and
Correspondence [48.765579605145454]
対象のテキストを断片単位に明示的に分割し,それらのデータ対応と整合させることを提案する。
結果として生じるアーキテクチャは、ニューラルアテンションモデルと同じ表現力を維持している。
E2EとWebNLGのベンチマークでは、提案モデルがニューラルアテンションよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2020-05-03T14:28:28Z) - Grounded Situation Recognition [56.18102368133022]
画像の構造的要約を生成することを必要とする課題であるグラウンドドコンディション認識(GSR)を導入する。
GSRはセマンティック・サリエンシの識別、大規模で多様なエンティティの分類とローカライズという重要な技術的課題を提示している。
我々は,条件付きクエリ,視覚連鎖,接地型セマンティック・アウェアネス・イメージ検索の3つのモデルによって実現される3つの将来方向について,最初の知見を示す。
論文 参考訳(メタデータ) (2020-03-26T17:57:52Z) - Linguistically Driven Graph Capsule Network for Visual Question
Reasoning [153.76012414126643]
我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。
具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。
CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
論文 参考訳(メタデータ) (2020-03-23T03:34:25Z) - Investigating Typed Syntactic Dependencies for Targeted Sentiment
Classification Using Graph Attention Neural Network [10.489983726592303]
型付き構文依存情報を統合する新しい関係グラフアテンションネットワークについて検討する。
その結果,本手法は目標感情分類性能を改善するためにラベル情報を効果的に活用できることが示唆された。
論文 参考訳(メタデータ) (2020-02-22T11:17:16Z)
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。