論文の概要: BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2204.03117v1
• Date: Wed, 6 Apr 2022 22:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 13:35:04.661713
• Title: BiSyn-GAT+: Bi-Syntax Aware Graph Attention Network for Aspect-based Sentiment Analysis
• Title（参考訳）: bisyn-gat+:アスペクトベース感情分析のためのbi-syntax aware graph attention network
• Authors: Shuo Liang, Wei Wei, Xian-Ling Mao, Fei Wang and Zhiyong He
• Abstract要約: アスペクトベースの感情分析は、アスペクト固有の感情極性推論のためにアスペクトと対応する感情を調整することを目的としている。 近年,グラフニューラルネットワークによる依存性の構文情報の利用が最も人気になっている。 この問題に対処するために,Bi-Syntax 対応グラフ注意ネットワーク (BiSyn-GAT+) を提案する。
• 参考スコア（独自算出の注目度）: 23.223136577272516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect-based sentiment analysis (ABSA) is a fine-grained sentiment analysis task that aims to align aspects and corresponding sentiments for aspect-specific sentiment polarity inference. It is challenging because a sentence may contain multiple aspects or complicated (e.g., conditional, coordinating, or adversative) relations. Recently, exploiting dependency syntax information with graph neural networks has been the most popular trend. Despite its success, methods that heavily rely on the dependency tree pose challenges in accurately modeling the alignment of the aspects and their words indicative of sentiment, since the dependency tree may provide noisy signals of unrelated associations (e.g., the "conj" relation between "great" and "dreadful" in Figure 2). In this paper, to alleviate this problem, we propose a Bi-Syntax aware Graph Attention Network (BiSyn-GAT+). Specifically, BiSyn-GAT+ fully exploits the syntax information (e.g., phrase segmentation and hierarchical structure) of the constituent tree of a sentence to model the sentiment-aware context of every single aspect (called intra-context) and the sentiment relations across aspects (called inter-context) for learning. Experiments on four benchmark datasets demonstrate that BiSyn-GAT+ outperforms the state-of-the-art methods consistently.
• Abstract（参考訳）: アスペクトベース感情分析(ABSA)は、アスペクト固有の感情極性推論のためのアスペクトと対応する感情を整合させることを目的とした、きめ細かい感情分析タスクである。 文には複数の側面や複雑な関係(例えば条件、調整、あるいは逆関係)が含まれているため、これは難しい。 近年,グラフニューラルネットワークを用いた依存構文情報の利用が注目されている。 その成功にもかかわらず、依存木に強く依存する手法は、関係木が無関係な関連(例えば図2の「偉大な」と「恐ろしい」の間の「コンジ」の関係)のノイズ信号を提供するため、その側面と感情を表す単語のアライメントを正確にモデル化する上で困難となる。 本稿では,この問題を軽減するために,Bi-Syntax対応グラフ注意ネットワーク(BiSyn-GAT+)を提案する。 具体的には、BiSyn-GAT+は、文の構成木の構文情報(例えば、句のセグメンテーションと階層構造)をフル活用して、すべての側面(文脈内と呼ばれる)の感情認識コンテキストと、アスペクト間の感情関係(コンテキスト間と呼ばれる)をモデル化する。 4つのベンチマークデータセットの実験では、BiSyn-GAT+は最先端の手法を一貫して上回っている。

関連論文リスト

• S$^2$GSL: Incorporating Segment to Syntactic Enhanced Graph Structure Learning for Aspect-based Sentiment Analysis [19.740223755240734]
  ABSAのための構文強化グラフ構造学習にセグメンテーションを取り入れた2$GSLを提案する。 S$2$GSLはセグメント対応セマンティックグラフ学習と構文ベースの潜在グラフ学習を備えている。
  論文  参考訳（メタデータ） (2024-06-05T03:44:35Z)
• Triple GNNs: Introducing Syntactic and Semantic Information for Conversational Aspect-Based Quadruple Sentiment Analysis [7.636033043459789]
  本稿では、DiaASQを強化するために、Triple GNNsネットワークを導入する。 発話内の構文依存をモデル化するためにGCN(Graph Convolutional Network)と、発話間の相互作用を構築するためにDual Graph Attention Network(DualGAT)を採用している。 2つの標準データセットの実験により、我々のモデルは最先端のベースラインを大きく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-15T07:15:48Z)
• Learn from Structural Scope: Improving Aspect-Level Sentiment Analysis with Hybrid Graph Convolutional Networks [6.116341682577877]
  アスペクトレベルの感情分析は、文中の特定の対象に対する感情の極性を決定することを目的としている。 本稿では,特定の対象に関する構造的テキスト領域を概説するスコープの概念を紹介する。 本稿では,HGCN(Hybrid Graph Convolutional Network)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T09:10:22Z)
• Entailment Graph Learning with Textual Entailment and Soft Transitivity [69.91691115264132]
  テキスト・エンタテインメント・トランジシティー(EGT2)を用いた2段階のエンタテインメント・グラフを提案する。 EGT2 は CCG パースした述語によって形成されるテンプレート文間のテキスト的含意を認識することにより、局所的含意関係を学習する。 生成した局所グラフに基づいて、EGT2は3つの新しいソフトな推移性制約を用いて、包含構造における論理的推移性を考える。
  論文  参考訳（メタデータ） (2022-04-07T08:33:06Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• 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)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)
• Relational Graph Attention Network for Aspect-based Sentiment Analysis [35.342467338880546]
  アスペクトベースの感情分析は、オンラインレビューにおける特定の側面に対する感情の極性を決定することを目的としている。 感情予測のための新しい木構造を符号化するリレーショナルグラフアテンションネットワーク(R-GAT)を提案する。 SemEval 2014とTwitterのデータセットで実験が行われている。
  論文  参考訳（メタデータ） (2020-04-26T12:21:04Z)
• Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
  本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。 BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-14T02:32:10Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)

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。