論文の概要: On Positivity Bias in Negative Reviews
- arxiv url: http://arxiv.org/abs/2106.12056v1
- Date: Tue, 22 Jun 2021 21:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 01:58:08.864860
- Title: On Positivity Bias in Negative Reviews
- Title(参考訳): 否定的レビューにおける肯定バイアスについて
- Authors: Madhusudhan Aithal and Chenhao Tan
- Abstract要約: 英語の否定的レビューは、さまざまなデータセットを用いて、否定的単語よりも肯定的な単語を含む傾向があることを示す。
本研究は,否定の実用性に関する先行的な知見と一致し,否定は否定的評価において肯定的な語と関連していることを示す。
- 参考スコア(独自算出の注目度): 11.44224857047629
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prior work has revealed that positive words occur more frequently than
negative words in human expressions, which is typically attributed to
positivity bias, a tendency for people to report positive views of reality. But
what about the language used in negative reviews? Consistent with prior work,
we show that English negative reviews tend to contain more positive words than
negative words, using a variety of datasets. We reconcile this observation with
prior findings on the pragmatics of negation, and show that negations are
commonly associated with positive words in negative reviews. Furthermore, in
negative reviews, the majority of sentences with positive words express
negative opinions based on sentiment classifiers, indicating some form of
negation.
- Abstract(参考訳): 先行研究では、人間の表現における否定的な単語よりも肯定的な単語が頻繁に発生することが明らかにされており、これは典型的には肯定的バイアスによるもので、人々が現実の肯定的な見解を報告する傾向にある。
しかし、否定的なレビューで使われる言語はどうだろう?
先行研究と一致して,様々なデータセットを用いて,英語の否定レビューでは否定語よりも肯定的な単語が多い傾向を示した。
本研究は,否定の実用性に関する先行的な知見と一致し,否定は否定的評価において肯定的な語と関連していることを示す。
さらに、否定的なレビューでは、肯定的な言葉を持つ文の大多数は感情分類子に基づいて否定的な意見を表し、ある種の否定を示している。
関連論文リスト
- Contrastive Learning with Negative Sampling Correction [52.990001829393506]
PUCL(Positive-Unlabeled Contrastive Learning)という新しいコントラスト学習手法を提案する。
PUCLは生成した負のサンプルをラベルのないサンプルとして扱い、正のサンプルからの情報を用いて、対照的な損失のバイアスを補正する。
PUCLは一般的なコントラスト学習問題に適用でき、様々な画像やグラフの分類タスクにおいて最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-01-13T11:18:18Z) - Generating Enhanced Negatives for Training Language-Based Object
Detectors [89.9037039320539]
我々は、現代の生成モデルに組み込まれた膨大な知識を活用して、元のデータにより関連性のある負を自動で構築することを提案する。
具体的には、大言語モデルを用いて、負のテキスト記述を生成するとともに、テキスト間拡散モデルを用いて、対応する負の画像を生成する。
論文 参考訳(メタデータ) (2023-12-29T23:04:00Z) - Can large language models generate salient negative statements? [18.577880767789097]
本研究では,大規模言語モデルによる実世界の実体に関する健全な(興味深い)ネガティブなステートメントを生成する能力について検討する。
我々はゼロショットとkショットの制約のないプローブを用いてLSMを探索し、従来の否定生成法と比較した。
異なる領域の被写体に関する生成したリストの正しさと正当性を測定する。
論文 参考訳(メタデータ) (2023-05-26T09:13:59Z) - SimANS: Simple Ambiguous Negatives Sampling for Dense Text Retrieval [126.22182758461244]
評価結果によると, 正の値にランク付けされた負の値は, 一般的にはより情報的であり, 偽陰の可能性が低いことがわかった。
そこで本研究では,よりあいまいな負のサンプリングに新しいサンプリング確率分布を組み込んだ,単純な曖昧な負のサンプリング手法であるSimANSを提案する。
論文 参考訳(メタデータ) (2022-10-21T07:18:05Z) - Improving negation detection with negation-focused pre-training [58.32362243122714]
否定は共通の言語的特徴であり、多くの言語理解タスクにおいて不可欠である。
最近の研究で、最先端のNLPモデルは否定を含むサンプルで性能が低いことが示されている。
本稿では,データ拡張と否定マスキングを対象とする,否定に焦点をあてた新たな事前学習戦略を提案する。
論文 参考訳(メタデータ) (2022-05-09T02:41:11Z) - Debiased Contrastive Learning of Unsupervised Sentence Representations [88.58117410398759]
コントラスト学習は、事前訓練された言語モデル(PLM)を改善し、高品質な文表現を導き出すのに有効である。
以前の作業は、主にランダムにトレーニングデータからバッチ内陰性またはサンプルを採用する。
我々はこれらの不適切な負の影響を軽減するための新しいフレームワーク textbfDCLR を提案する。
論文 参考訳(メタデータ) (2022-05-02T05:07:43Z) - Negative Sampling for Recommendation [7.758275614033198]
高品質なネガティブなインスタンスを効果的にサンプルする方法は、レコメンデーションモデルを適切にトレーニングするために重要である。
我々は、高品質なネガティブは、テクスチュンフォームネスとテクスチュンバイアスネスの両方であるべきだと論じる。
論文 参考訳(メタデータ) (2022-04-02T09:50:19Z) - An Analysis of Negation in Natural Language Understanding Corpora [10.692655009160742]
一般的な英語に比べて,一般的なコーパスには否定がほとんどないことを示す。
実験により、これらのコーパスで訓練された最先端のトランスフォーマーは、否定を含む事例でかなり悪い結果が得られることが示された。
論文 参考訳(メタデータ) (2022-03-16T20:31:53Z) - Understanding Hard Negatives in Noise Contrastive Estimation [21.602701327267905]
ハードマイナスの役割を理解するための分析ツールを開発した。
テキスト検索に用いられる様々なアーキテクチャを統一するスコア関数の一般的な形式を導出する。
論文 参考訳(メタデータ) (2021-04-13T14:42:41Z) - On Negative Interference in Multilingual Models: Findings and A
Meta-Learning Treatment [59.995385574274785]
従来の信念に反して、負の干渉は低リソース言語にも影響を及ぼすことを示す。
メタ学習アルゴリズムは、より優れた言語間変換性を得、負の干渉を軽減する。
論文 参考訳(メタデータ) (2020-10-06T20:48:58Z) - How do online consumers review negatively? [1.52292571922932]
中国最大のB2CプラットフォームであるJD.comの1,450,000のネガティブレビューを用いて、時間的、知覚的、感情的な視点からの行動パターンを探求する。
低レベルの消費者は、特に製品価格や売り手の態度に関して、より強い否定的な感情を表現している。
高いレベルの消費者からの否定的なレビューの価値は、感情の低下と偏見の低いナレーションのために予想外に強調される。
論文 参考訳(メタデータ) (2020-04-28T12:54:30Z)
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。