論文の概要: A Survey on Aspect-Based Sentiment Classification
- arxiv url: http://arxiv.org/abs/2203.14266v1
- Date: Sun, 27 Mar 2022 10:15:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 14:10:15.966953
- Title: A Survey on Aspect-Based Sentiment Classification
- Title(参考訳): アスペクトベース感性分類に関する調査
- Authors: Gianni Brauwers and Flavius Frasincar
- Abstract要約: アスペクトベースの感情分類(ABSC)は、テキスト文書や文章から非常にきめ細かい感情情報を自動抽出することを可能にする。
ABSCモデルを知識ベース、機械学習、ハイブリッドモデルという3つの主要なカテゴリに分類する新しい分類法が提案されている。
トランスフォーマーモデルに基づくモデルや知識ベースを組み込んだハイブリッドディープラーニングモデルなど、最先端のABSCモデルについて議論する。
- 参考スコア(独自算出の注目度): 7.5537115673774275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the constantly growing number of reviews and other sentiment-bearing
texts on the Web, the demand for automatic sentiment analysis algorithms
continues to expand. Aspect-based sentiment classification (ABSC) allows for
the automatic extraction of highly fine-grained sentiment information from text
documents or sentences. In this survey, the rapidly evolving state of the
research on ABSC is reviewed. A novel taxonomy is proposed that categorizes the
ABSC models into three major categories: knowledge-based, machine learning, and
hybrid models. This taxonomy is accompanied with summarizing overviews of the
reported model performances, and both technical and intuitive explanations of
the various ABSC models. State-of-the-art ABSC models are discussed, such as
models based on the transformer model, and hybrid deep learning models that
incorporate knowledge bases. Additionally, various techniques for representing
the model inputs and evaluating the model outputs are reviewed. Furthermore,
trends in the research on ABSC are identified and a discussion is provided on
the ways in which the field of ABSC can be advanced in the future.
- Abstract(参考訳): Web上でのレビューや、その他の感情的テキストの増加に伴い、自動感情分析アルゴリズムの需要は拡大し続けている。
アスペクトベースの感情分類(ABSC)は、テキスト文書や文章から非常にきめ細かい感情情報を自動抽出することができる。
本調査では,ABSC研究の急速な発展状況について概説する。
ABSCモデルを知識ベース、機械学習、ハイブリッドモデルという3つの主要なカテゴリに分類する新しい分類法が提案されている。
この分類法には、報告されたモデル性能の概要と、様々なABSCモデルの技術的および直感的な説明が伴う。
トランスフォーマーモデルに基づくモデルや知識ベースを組み込んだハイブリッドディープラーニングモデルなど,最先端のabscモデルについて議論した。
さらに、モデル入力を表現し、モデル出力を評価するための様々な技術についてレビューする。
さらに,ABSC研究の動向を把握し,今後ABSCの分野を前進させる方法について議論する。
関連論文リスト
- Controllable Topic-Focused Abstractive Summarization [57.8015120583044]
制御された抽象的な要約は、特定の側面をカバーするために、ソース記事の凝縮したバージョンを作成することに焦点を当てる。
本稿では,トピックに着目した要約を生成可能なトランスフォーマーアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-11-12T03:51:38Z) - Neurosymbolic AI and its Taxonomy: a survey [48.7576911714538]
ニューロシンボリックAIは、古典的なAIやニューラルネットワークのようなシンボリック処理を組み合わせたモデルを扱う。
本研究は近年,本分野の研究論文を調査し,提案モデルと応用モデルとの分類と比較を行った。
論文 参考訳(メタデータ) (2023-05-12T19:51:13Z) - On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model,
Data, and Training [109.9218185711916]
アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。
我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
論文 参考訳(メタデータ) (2023-04-19T11:07:43Z) - Late Meta-learning Fusion Using Representation Learning for Time Series
Forecasting [0.0]
本研究は,これらの話題を包含する統合分類法を提案する。
この研究は、いくつかのモデル融合アプローチと、Deep-learning Forecast Model Averaging (DeFORMA)と呼ばれるハイブリッドおよび特徴積み重ねアルゴリズムの新たな組み合わせを実証的に評価した。
提案したモデルであるDeFORMAは、M4データセットで最先端の結果を得ることができる。
論文 参考訳(メタデータ) (2023-03-20T10:29:42Z) - A Survey of Explainable AI in Deep Visual Modeling: Methods and Metrics [24.86176236641865]
我々は、ディープビジュアルモデルを解釈するための方法とメトリクスに焦点を当てたExplainable AIの最初の調査を示す。
最先端技術に沿った目覚ましい貢献をカバーし、既存の技術に関する分類学的組織を提供するだけでなく、さまざまな評価指標を発掘する。
論文 参考訳(メタデータ) (2023-01-31T06:49:42Z) - Extractive Text Summarization Using Generalized Additive Models with
Interactions for Sentence Selection [0.0]
本研究は、言語的特徴と二項分類に基づく抽出的要約問題への2つの近代的一般化加法モデル、すなわち説明可能なブースティングマシンとGAMI-Netの適用について研究する。
論文 参考訳(メタデータ) (2022-12-21T00:56:50Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳(メタデータ) (2022-09-20T09:16:05Z) - A Diagnostic Study of Explainability Techniques for Text Classification [52.879658637466605]
既存の説明可能性技術を評価するための診断特性のリストを作成する。
そこで本研究では, モデルの性能と有理性との整合性の関係を明らかにするために, 説明可能性手法によって割り当てられた有理性スコアと有理性入力領域の人間のアノテーションを比較した。
論文 参考訳(メタデータ) (2020-09-25T12:01:53Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳(メタデータ) (2020-08-02T00:09:03Z)
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。