論文の概要: Back to Reality: Leveraging Pattern-driven Modeling to Enable Affordable
Sentiment Dependency Learning
- arxiv url: http://arxiv.org/abs/2110.08604v1
- Date: Sat, 16 Oct 2021 16:22:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 16:42:55.640835
- Title: Back to Reality: Leveraging Pattern-driven Modeling to Enable Affordable
Sentiment Dependency Learning
- Title(参考訳): Back to Reality: パターン駆動モデリングを活用して、順応可能な依存性学習を可能にする
- Authors: Heng Yang, Biqing Zeng, Mayi Xu, Tianxing Wang
- Abstract要約: Aspect-based Sentiment Classification (ABSC) に基づく新たな感情分析手法を提案する。
本研究では,感情クラスタにおける感情依存の学習に焦点をあてるローカル感情集約(LSA)機構を導入する。
我々のモデルは、特に学習感情クラスタの改善により、最先端のパフォーマンスを達成する。
- 参考スコア(独自算出の注目度): 4.760079434948198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aspect-based Sentiment Classification (ABSC) is a challenging sub-task of
traditional sentiment analysis. Due to the difficulty of handling potential
correlations among sentiment polarities of multiple aspects, i.e., sentiment
dependency, recent popular works tend to exploit syntactic information guiding
sentiment dependency parsing. However, syntax information (e.g., syntactic
dependency trees) usually occupies expensive computational resources in terms
of the operation of the adjacent matrix. Instead, we define the consecutive
aspects with the same sentiment as the sentiment cluster in the case that we
find that most sentiment dependency occurs between adjacent aspects. Motivated
by this finding, we propose the sentiment patterns (SP) to guide the model
dependency learning. Thereafter, we introduce the local sentiment aggregating
(LSA) mechanism to focus on learning the sentiment dependency in the sentiment
cluster. The LSA is more efficient than existing dependency tree-based models
due to the absence of additional dependency matrix constructing and modeling.
Furthermore, we propose differential weighting for aggregation window building
to measure the importance of sentiment dependency. Experiments on four public
datasets show that our models achieve state-of-the-art performance with
especially improvement on learning sentiment cluster.
- Abstract(参考訳): Aspect-based Sentiment Classification (ABSC)は、従来の感情分析の課題である。
複数の側面の感情極性の潜在的な相関、すなわち感情依存の扱いが困難であるため、最近の人気作品では感情依存解析を導く構文情報を利用する傾向がある。
しかし、構文情報(例えば構文依存木)は通常、隣接する行列の操作の観点から高価な計算資源を占有する。
代わりに、ほとんどの感情依存が隣り合う側面の間で起こることを発見した場合に、感情クラスタと同じ感情を持つ連続的な側面を定義する。
そこで本研究では,モデル依存学習の指針となる感情パターン(SP)を提案する。
その後、感情クラスタにおける感情依存の学習に焦点をあてるローカル感情集約(LSA)機構を導入する。
LSAは、追加の依存性マトリックスの構築とモデリングがないため、既存の依存性ツリーベースモデルよりも効率的である。
さらに,感情依存度を計測するために,アグリゲーションウィンドウ構築のための差分重み付けを提案する。
4つの公開データセットの実験により、我々のモデルは、特に学習感情クラスタの改善とともに最先端のパフォーマンスを達成することが示された。
関連論文リスト
- Decoding Susceptibility: Modeling Misbelief to Misinformation Through a
Computational Approach [63.67533153887132]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳(メタデータ) (2023-11-16T07:22:56Z) - How are Prompts Different in Terms of Sensitivity? [56.951525287167065]
本稿では,関数の感度に基づく包括的即時解析を提案する。
出力に対する入力トークンの関連性に異なるプロンプトがどう影響するかを実証的に示すために、勾配に基づく唾液度スコアを使用する。
本稿では, 感度推定をペナルティ項として組み込んだ感度認識復号法を標準グリーディ復号法で導入する。
論文 参考訳(メタデータ) (2023-11-13T10:52:01Z) - Semantics-Consistent Feature Search for Self-Supervised Visual
Representation Learning [15.242064747740116]
拡張手順中に異なる意味概念を含む望ましくないビューを構築するのは避けられない。
これにより表現の意味的一貫性が損なわれ、これらの拡張を特徴空間に無差別に近づけることになる。
本研究では,特徴量の増大と,この負の効果を緩和する新しい意味論的特徴探索(SCFS)手法を提案する。
論文 参考訳(メタデータ) (2022-12-13T11:13:59Z) - BERT-ASC: Auxiliary-Sentence Construction for Implicit Aspect Learning
in Sentiment Analysis [4.008465268899542]
統合されたフレームワークにおけるアスペクト分類とアスペクトベースの感情サブタスクに対処することを提案する。
まず,意味的・統語的情報を協調して,暗黙的側面の補助文を構築するメカニズムを提案する。
次に、BERTは、自動構築された補助文に応答してアスペクト特化表現を学習することを推奨する。
論文 参考訳(メタデータ) (2022-03-22T13:12:27Z) - Learning Implicit Sentiment in Aspect-based Sentiment Analysis with
Supervised Contrastive Pre-Training [18.711698114617526]
大規模感情アノテートコーパスを用いた教師付きコントラスト事前学習を提案する。
暗黙の感情表現を同一の感情ラベルを持つものと整合させることで、事前学習プロセスは、レビューの側面に対する暗黙の感情指向と明示的な感情指向の両方をよりよく捉えます。
論文 参考訳(メタデータ) (2021-11-03T13:03:17Z) - SentiPrompt: Sentiment Knowledge Enhanced Prompt-Tuning for Aspect-Based
Sentiment Analysis [22.758661494710047]
統一されたフレームワークで言語モデルをチューニングするためにSentiPromptを提案する。
側面、意見、極性に関する感情知識を、迅速かつ明示的に項関係をモデル化する。
提案手法は,三重項抽出,ペア抽出,および知覚分類によるアスペクト項抽出において,強いベースラインを達成できる。
論文 参考訳(メタデータ) (2021-09-17T01:56:06Z) - Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。
IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T10:40:59Z) - Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。
非条件的および条件付きポストホック診断ツールの拡張に使用できる。
提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文 参考訳(メタデータ) (2021-04-09T10:48:11Z) - Hierarchical Interaction Networks with Rethinking Mechanism for
Document-level Sentiment Analysis [37.20068256769269]
文書レベルの感性分析(DSA)は、あいまいなセマンティックリンクと感情情報の複雑化により、より困難である。
そこで本研究では,DSAにおける対象の明示的パターンと感情文脈を用いた識別表現を効果的に生成する方法について検討する。
感性に基づく再考機構(SR)を,感情ラベル情報を用いてHINを精製し,より感情に敏感な文書表現を学習することによって設計する。
論文 参考訳(メタデータ) (2020-07-16T16:27:38Z) - Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。
2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。
4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
論文 参考訳(メタデータ) (2020-07-14T05:46:27Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳(メタデータ) (2020-04-04T14:59:32Z)
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。