Fugu-MT 論文翻訳(概要): Sparse Fuzzy Attention for Structural Sentiment Analysis

論文の概要: Sparse Fuzzy Attention for Structural Sentiment Analysis

arxiv url: http://arxiv.org/abs/2109.06719v1
Date: Tue, 14 Sep 2021 14:37:56 GMT
ステータス: 処理完了
システム内更新日: 2021-09-15 15:56:06.627982
Title: Sparse Fuzzy Attention for Structural Sentiment Analysis
Title（参考訳）: 構造知覚解析のためのスパースファジィ注意
Authors: Letain Peng, Zuchao Li and Hai Zhao
Abstract要約: 本研究では,スプーリング層を有するスパース・ファジィアテンションスコアラを提案し,その性能向上と,構造的感情分析における新たな最先端技術の設定を行う。さらに,2次解析を用いた構造的感情分析における解析モデルについて検討し,解析性能を著しく向上させる新しい2次エッジ構築手法を提案する。
参考スコア（独自算出の注目度）: 48.69930912510414
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Attention scorers have achieved success in parsing tasks like semantic and syntactic dependency parsing. However, in tasks modeled into parsing, like structural sentiment analysis, "dependency edges" are very sparse which hinders parser performance. Thus we propose a sparse and fuzzy attention scorer with pooling layers which improves parser performance and sets the new state-of-the-art on structural sentiment analysis. We further explore the parsing modeling on structural sentiment analysis with second-order parsing and introduce a novel sparse second-order edge building procedure that leads to significant improvement in parsing performance.
Abstract（参考訳）: セマンティクスや構文依存構文解析といったタスクのパースに成功している。しかし、構造的感情分析のような構文解析にモデル化されたタスクでは、"依存性エッジ"は非常にスパースであり、パーサのパフォーマンスを妨げます。そこで本稿では, パーサ性能を向上し, 構造的感情分析に新たな最先端を設定できる, プール層を有するスパース, ファジィアテンションスコアラを提案する。さらに,2次解析による構造的感情分析のパースモデリングを探求し,パース性能を著しく向上させる新たな2次エッジ構築手順を提案する。

関連論文リスト

Revisiting Structured Sentiment Analysis as Latent Dependency Graph Parsing [38.27437431585664]
スパンの内部構造は無視されるため、スパンの境界トークンのみが関係予測やスパン認識に使用される。長いスパンはSSAデータセットのかなりの割合を占めており、内部構造が無視されるという問題をさらに悪化させる。本稿では,2段階解析手法を提案し,木CRFをアルゴリズム内部に制約を課し,遅延構造を明示的にモデル化する。
論文参考訳（メタデータ） (2024-07-05T18:18:50Z)
Unsupervised Chunking with Hierarchical RNN [62.15060807493364]
本稿では,非階層的手法で単語をグループ化する構文的タスクであるチャンキングに対する教師なしアプローチを紹介する。本稿では,単語-チャンク・チャンク-文合成をモデル化した2層階層型階層型リカレントニューラルネットワーク(HRNN)を提案する。 CoNLL-2000データセットの実験では、既存の教師なし手法よりも顕著な改善が見られ、フレーズF1スコアが最大6ポイント向上した。
論文参考訳（メタデータ） (2023-09-10T02:55:12Z)
Topic-driven Distant Supervision Framework for Macro-level Discourse Parsing [72.14449502499535]
テキストの内部修辞構造を解析する作業は、自然言語処理において難しい問題である。近年のニューラルモデルの発展にもかかわらず、トレーニングのための大規模で高品質なコーパスの欠如は大きな障害となっている。近年の研究では、遠方の監督を用いてこの制限を克服しようと試みている。
論文参考訳（メタデータ） (2023-05-23T07:13:51Z)
X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文参考訳（メタデータ） (2021-06-07T16:40:05Z)
Structured Sentiment Analysis as Dependency Graph Parsing [5.174808367448261]
我々は、この区分が非生産的になり、状況を改善するための新しい統一された枠組みを提案する。我々は、構造化された感情問題を依存グラフ解析として、ノードは感情保持者、ターゲット、表現の領域であり、弧はそれらの関係であると考えた。
論文参考訳（メタデータ） (2021-05-30T11:19:46Z)
On Robustness of Neural Semantic Parsers [9.176739484385932]
本研究は,敵対的攻撃の存在下での意味論の堅牢性に関する実証的研究である。形式的には、意味解析の敵は摂動発話-LF対であると考えられている。その結果,テストセットにおけるサーテ・オブ・ザ・アーツのパフォーマンスを測定し,データ拡張の効果を評価する上での5つの研究課題に答えた。
論文参考訳（メタデータ） (2021-02-02T15:41:28Z)
From Sentiment Annotations to Sentiment Prediction through Discourse Augmentation [30.615883375573432]
本稿では,感情分析の課題にタスク関連談話を利用する新しい枠組みを提案する。具体的には、大規模で感情に依存したMEGA-DTツリーバンクと、感情予測のための新しいニューラルアーキテクチャを組み合わせています。実験により,感情関連談話拡張を用いた感情予測により,長期文書の全体的な性能が向上することが確認された。
論文参考訳（メタデータ） (2020-11-05T18:28:13Z)
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)
Fast semantic parsing with well-typedness guarantees [78.76675218975768]
AM依存性解析は、複数のグラフバンクにまたがる高精度なニューラルセマンティック解析の原理的手法である。 A* と AM 依存解析の遷移ベースを記述し, 高い型付け性を確保し, 解析速度を最大 3 桁向上する。
論文参考訳（メタデータ） (2020-09-15T21:54:01Z)
A Survey of Syntactic-Semantic Parsing Based on Constituent and Dependency Structures [14.714725860010724]
我々は、構文解析の最も一般的な2つの形式、すなわち構成解析と依存性解析に焦点を当てている。本稿では、構成解析と依存性解析の代表モデルと、リッチセマンティクスによる依存性解析について概説する。
論文参考訳（メタデータ） (2020-06-19T10:21:17Z)

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。