論文の概要: Aspect-based Sentiment Analysis through EDU-level Attentions

• arxiv url: http://arxiv.org/abs/2202.02535v1
• Date: Sat, 5 Feb 2022 11:26:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 11:01:37.707652
• Title: Aspect-based Sentiment Analysis through EDU-level Attentions
• Title（参考訳）: EDUレベルの注意によるアスペクトベース感性分析
• Authors: Ting Lin and Aixin Sun and Yequan Wang
• Abstract要約: 文は複数の側面について感情を表現することができる。 これらの側面が異なる感情の極性と関連付けられている場合、モデルの精度はしばしば悪影響を受けます。 本稿では,文モデルにおけるEDU境界について考察し,単語レベルとEDUレベルに注目する。
• 参考スコア（独自算出の注目度）: 24.263559694090464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A sentence may express sentiments on multiple aspects. When these aspects are associated with different sentiment polarities, a model's accuracy is often adversely affected. We observe that multiple aspects in such hard sentences are mostly expressed through multiple clauses, or formally known as elementary discourse units (EDUs), and one EDU tends to express a single aspect with unitary sentiment towards that aspect. In this paper, we propose to consider EDU boundaries in sentence modeling, with attentions at both word and EDU levels. Specifically, we highlight sentiment-bearing words in EDU through word-level sparse attention. Then at EDU level, we force the model to attend to the right EDU for the right aspect, by using EDU-level sparse attention and orthogonal regularization. Experiments on three benchmark datasets show that our simple EDU-Attention model outperforms state-of-the-art baselines. Because EDU can be automatically segmented with high accuracy, our model can be applied to sentences directly without the need of manual EDU boundary annotation.
• Abstract（参考訳）: 文は複数の側面について感情を表現することができる。 これらの側面が異なる感情極性と関連づけられる場合、モデルの精度はしばしば悪影響を受ける。 このような硬文の複数の側面は、主に複数の節、または正式には初等談話単位(英語版)(EDU)によって表現され、一方のEDUは、その側面に対して一意的な感情を持った一つの側面を表現する傾向にある。 本稿では,文モデルにおけるEDU境界について考察し,単語レベルとEDUレベルに注目する。 具体的には,EDUにおける感傷的単語を単語単位のスパース・アテンションによって強調する。 次に,EDUレベルでは,EDUレベルのスパースアテンションと直交正則化を用いて,正しい面の適切なEDUへの参加を強制する。 3つのベンチマークデータセットの実験から、私たちの単純なEDU-Attentionモデルは最先端のベースラインよりも優れています。 EDUを高い精度で自動的にセグメント化できるので、手動のEDU境界アノテーションを必要とせずに、我々のモデルは文に直接適用することができる。

関連論文リスト

• EmotiveTalk: Expressive Talking Head Generation through Audio Information Decoupling and Emotional Video Diffusion [49.55774551366049]
  拡散モデルは、会話のヘッドジェネレーションの分野に革命をもたらしたが、長期的には表現性、制御可能性、安定性に課題に直面している。 これらの問題に対処するためのEmotiveTalkフレームワークを提案する。 実験結果から,EmotiveTalkは表現力のある対話型ヘッドビデオを生成することができ,長時間発生時の感情の制御性と安定性を保証できることがわかった。
  論文  参考訳（メタデータ） (2024-11-23T04:38:51Z)
• Discovering Elementary Discourse Units in Textual Data Using Canonical Correlation Analysis [0.0]
  本研究は,初等談話単位(EDU)の同定におけるカノニカル相関分析(CCA)の可能性を示すことによって,さらに一歩進める。 モデルは単純で、線形で、適応可能で、言語に依存しないため、特にラベル付きトレーニングデータが不足している場合、理想的なベースラインとなる。
  論文  参考訳（メタデータ） (2024-06-18T18:37:24Z)
• Sentiment-enhanced Graph-based Sarcasm Explanation in Dialogue [67.09698638709065]
  本稿では,SEntiment-enhanceD Graph を用いたマルチモーダルサルカズム記述フレームワーク EDGE を提案する。 特に,まずレキシコン誘導型発話感情推論モジュールを提案し,そこでは発話感情改善戦略を考案する。 次に,マルチモーダル感情分析モデル JCA を拡張し,映像音声クリップ毎に共同感情ラベルを導出することにより,JCA-SI (Joint Cross Attention-based Sentiment Inference) というモジュールを開発する。
  論文  参考訳（メタデータ） (2024-02-06T03:14:46Z)
• Semantic-aware Contrastive Learning for Electroencephalography-to-Text Generation with Curriculum Learning [28.76185264077582]
  脳波対テキスト生成のためのC-SCL(Curriculum Semantic-aware Contrastive Learning Strategy)を提案する。 C-SCLは、意味的に類似したEEG表現をまとめ、異なる表現を分割する。 提案手法は,新しい最先端技術を実現しつつ,3種類の指標にまたがる安定した改善を示す。
  論文  参考訳（メタデータ） (2023-01-23T00:54:48Z)
• EDU-level Extractive Summarization with Varying Summary Lengths [11.617377170925895]
  本稿では,EDUと文に基づくモデルの性能の上限を比較するために,オラクル分析を実施している。 本稿では,このEDUのメリットを考慮し,Varying summary Lengths (EDU-VL) を用いたEDUレベルの抽出モデルを提案し,それに対応する学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-10-08T14:09:58Z)
• Anticipating the Unseen Discrepancy for Vision and Language Navigation [63.399180481818405]
  視覚言語ナビゲーションでは、エージェントは特定のターゲットに到達するために自然言語命令に従う必要がある。 目に見える環境と目に見えない環境の間に大きな違いがあるため、エージェントがうまく一般化することは困難である。 本研究では,テストタイムの視覚的整合性を促進することによって,未知の環境への一般化を学習する,未知の離散性予測ビジョンと言語ナビゲーション(DAVIS)を提案する。
  論文  参考訳（メタデータ） (2022-09-10T19:04:40Z)
• Detecting fake news by enhanced text representation with multi-EDU-structure awareness [16.47473788477675]
  偽ニュース検出のためのテキスト表現を改善するためのマルチEDU構造認識モデルを提案する。 マルチEDU構造認識のために,シーケンスベースEDU表現とグラフベースEDU表現を構築した。 4つのクロスソースフェイクニュースデータセットの実験により、我々のモデルは最先端のテキストベースの手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-30T14:32:14Z)
• Dependency Induction Through the Lens of Visual Perception [81.91502968815746]
  本稿では,単語の具体性を利用した教師なし文法帰納モデルと,構成的視覚に基づく構成的文法を共同学習する手法を提案する。 実験により,提案した拡張は,文法的サイズが小さい場合でも,現在最先端の視覚的接地モデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-09-20T18:40:37Z)
• Video-aided Unsupervised Grammar Induction [108.53765268059425]
  ラベルのないテキストと対応するビデオの両方から構成を学習するビデオ支援文法インダクションについて検討する。 ビデオは、静的オブジェクトだけでなく、動詞句を誘導するのに有用なアクションや状態の変更を含む、さらに豊富な情報を提供します。 マルチモードコンパウンドPCFGモデル(MMC-PCFG)を提案し,これらの豊富な特徴を異なるモダリティから効果的に集約する。
  論文  参考訳（メタデータ） (2021-04-09T14:01:36Z)
• Discern: Discourse-Aware Entailment Reasoning Network for Conversational Machine Reading [157.14821839576678]
  Discernは、ドキュメントとダイアログの両方の理解を強化するために、接続を強化し、理解を深める、談話対応の係り受け推論ネットワークである。 実験の結果,意思決定におけるマクロ平均精度78.3%,フォローアップ質問生成における64.0 BLEU1が得られた。
  論文  参考訳（メタデータ） (2020-10-05T07:49:51Z)

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。