論文の概要: Seeking Common but Distinguishing Difference, A Joint Aspect-based
Sentiment Analysis Model
- arxiv url: http://arxiv.org/abs/2111.09634v1
- Date: Thu, 18 Nov 2021 11:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 19:56:22.142769
- Title: Seeking Common but Distinguishing Difference, A Joint Aspect-based
Sentiment Analysis Model
- Title(参考訳): 共用アスペクトに基づく感情分析モデルにおける共通だが識別可能な差異を求める
- Authors: Hongjiang Jing, Zuchao Li, Hai Zhao and Shu Jiang
- Abstract要約: 本稿では,エンコーダ共有の利点を享受するだけでなく,モデルの有効性向上にも焦点をあてる共同ABSAモデルを提案する。
具体的には、ペアエンコーダが特に候補アスペクト-オピニオン対の分類に重点を置いており、元のエンコーダはシーケンスラベリングに注意を払っている。
実験結果から,提案モデルが頑健性を示し,従来の4つのベンチマークデータセットよりも優れていたことが示唆された。
- 参考スコア(独自算出の注目度): 43.4726612032584
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aspect-based sentiment analysis (ABSA) task consists of three typical
subtasks: aspect term extraction, opinion term extraction, and sentiment
polarity classification. These three subtasks are usually performed jointly to
save resources and reduce the error propagation in the pipeline. However, most
of the existing joint models only focus on the benefits of encoder sharing
between subtasks but ignore the difference. Therefore, we propose a joint ABSA
model, which not only enjoys the benefits of encoder sharing but also focuses
on the difference to improve the effectiveness of the model. In detail, we
introduce a dual-encoder design, in which a pair encoder especially focuses on
candidate aspect-opinion pair classification, and the original encoder keeps
attention on sequence labeling. Empirical results show that our proposed model
shows robustness and significantly outperforms the previous state-of-the-art on
four benchmark datasets.
- Abstract(参考訳): アスペクトベース感情分析(ABSA)タスクは、アスペクト項抽出、意見項抽出、感情極性分類の3つの典型的なサブタスクから構成される。
これら3つのサブタスクは通常、リソースの節約とパイプライン内のエラー伝搬の低減のために共同で実行される。
しかし、既存のジョイントモデルのほとんどは、サブタスク間のエンコーダ共有の利点のみに焦点を当てているが、違いは無視されている。
そこで本研究では,エンコーダ共有のメリットを享受するだけでなく,モデルの有効性向上のための差分に着目した共同ABSAモデルを提案する。
具体的には,ペアエンコーダが候補アスペクト-オピニオンペアの分類に特に注目し,元のエンコーダがシーケンスラベリングに注目しているデュアルエンコーダ設計を提案する。
実験の結果,提案モデルが頑健性を示し,従来の4つのベンチマークデータセットよりも大幅に優れていた。
関連論文リスト
- Refine, Discriminate and Align: Stealing Encoders via Sample-Wise
Prototypes and Multi-Relational Extraction [60.0276011074825]
RDAは、事前訓練されたエンコーダを盗むために、以前の取り組みで普及した2つの主要な欠陥に対処するために設計された先駆的なアプローチである。
これは、サンプルの様々な視点に対してターゲットエンコーダの表現を統一するサンプルワイドプロトタイプによって達成される。
より強力な有効性を得るために、我々はサロゲートエンコーダを訓練し、ミスマッチした埋め込み-プロトタイプペアを識別するマルチリレーショナル抽出損失を開発する。
論文 参考訳(メタデータ) (2023-12-01T15:03:29Z) - CONTRASTE: Supervised Contrastive Pre-training With Aspect-based Prompts
For Aspect Sentiment Triplet Extraction [13.077459544929598]
本稿では,ConTRastive Learning を用いた新しい事前学習戦略を提案する。
また,ACOS,TASD,AESCなどの他のABSAタスクに対して提案手法の利点を示す。
論文 参考訳(メタデータ) (2023-10-24T07:40:09Z) - Toward a Better Understanding of Loss Functions for Collaborative
Filtering [13.581193492311805]
協調フィルタリング(CF)は現代のレコメンデータシステムにおいて重要な手法である。
最近の研究は、損失関数を単純に再構成するだけで、大幅な性能向上が達成できることを示している。
本稿では、アライメントと均一性の設計を改善する新しい損失関数を提案する。
論文 参考訳(メタデータ) (2023-08-11T12:04:36Z) - Contrastive variational information bottleneck for aspect-based
sentiment analysis [36.83876224466177]
CVIB(Contrastive Variational Information Bottleneck)フレームワークを用いて,アスペクトベース感情分析(ABSA)の素早い相関性を低減することを提案する。
提案するCVIBフレームワークは,元のネットワークと自走ネットワークで構成され,これら2つのネットワークは,コントラスト学習によって同時に最適化される。
提案手法は, 全体的な予測性能, 堅牢性, 一般化の点で, 強力な競合相手よりも優れた性能を実現する。
論文 参考訳(メタデータ) (2023-03-06T02:52:37Z) - String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。
本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。
実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
論文 参考訳(メタデータ) (2022-08-23T03:56:30Z) - Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased
Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。
まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。
次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文 参考訳(メタデータ) (2022-03-18T09:14:13Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。
また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。
実験の結果,提案手法は従来の手法よりも有効であることがわかった。
論文 参考訳(メタデータ) (2021-07-08T13:10:42Z) - AFD-Net: Adaptive Fully-Dual Network for Few-Shot Object Detection [8.39479809973967]
Few-shot Object Detection (FSOD) は、未確認の物体に迅速に適応できる検出器の学習を目的としている。
既存の方法では、共有コンポーネントを用いて分類と局所化のサブタスクを実行することで、この問題を解決している。
本稿では,2つのサブタスクの明示的な分解を考慮し,両者の情報を活用して特徴表現の強化を図ることを提案する。
論文 参考訳(メタデータ) (2020-11-30T10:21:32Z)
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。