論文の概要: Span-level Bidirectional Cross-attention Framework for Aspect Sentiment Triplet Extraction

• arxiv url: http://arxiv.org/abs/2204.12674v1
• Date: Wed, 27 Apr 2022 02:55:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 12:15:08.236876
• Title: Span-level Bidirectional Cross-attention Framework for Aspect Sentiment Triplet Extraction
• Title（参考訳）: アスペクト感情三重項抽出のためのspan-level bidirectional cross-attention framework
• Authors: Yuqi Chen, Keming Chen, Xian Sun, Zequn Zhang
• Abstract要約: Aspect Sentiment Triplet extract (ASTE)は、アスペクト項、感情、意見項の三つ子をレビュー文から抽出することを目的とした、新しいきめ細かい感情分析タスクである。 本稿では,ASTEのための双方向双方向多目的フレームワークを提案する。 我々のフレームワークは最先端の手法よりも優れており、マルチトークンエンティティを用いた三重項予測の性能が向上している。
• 参考スコア（独自算出の注目度）: 10.522014946035664
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aspect Sentiment Triplet Extraction (ASTE) is a new fine-grained sentiment analysis task that aims to extract triplets of aspect terms, sentiments, and opinion terms from review sentences. Recently, span-level models achieve gratifying results on ASTE task by taking advantage of whole span predictions. However, all the spans generated by these methods inevitably share at least one token with some others, and these method suffer from the similarity of these spans due to their similar distributions. Moreover, since either the aspect term or opinion term can trigger a sentiment triplet, it is challenging to make use of the information more comprehensively and adequately. To address these concerns, we propose a span-level bidirectional cross-attention framework. Specifically, we design a similar span separation loss to detach the spans with shared tokens and a bidirectional cross-attention structure that consists of aspect and opinion decoders to decode the span-level representations in both aspect-to-opinion and opinion-to-aspect directions. With differentiated span representations and bidirectional decoding structure, our model can extract sentiment triplets more precisely and efficiently. Experimental results show that our framework significantly outperforms state-of-the-art methods, achieving better performance in predicting triplets with multi-token entities and extracting triplets in sentences with multi-triplets.
• Abstract（参考訳）: Aspect Sentiment Triplet extract (ASTE) は、アスペクト項、感情、意見項をレビュー文から抽出することを目的とした、新しいきめ細かい感情分析タスクである。 近年,全スパン予測を活用し,asteタスクの満足度向上を実現するスパンレベルモデルが提案されている。 しかしながら、これらの手法によって生成されたスパンは全て、必然的に少なくとも1つのトークンを他のトークンと共有しており、これらのスパンの類似性には類似している。 さらに、アスペクト項または意見項が感情三重項をトリガーできるため、情報をより包括的かつ適切に利用することは困難である。 これらの懸念に対処するため,我々はスパンレベルの双方向クロスアテンションフレームワークを提案する。 具体的には、共有トークンとアスペクトと意見デコーダからなる双方向の横断配置構造で、アスペクト・トゥ・オピニオン方向と意見・アスペクト方向の両方でスパンレベルの表現をデコードするように、同様のスパン分離損失を設計する。 区別されたスパン表現と双方向デコード構造により、我々のモデルはより正確かつ効率的に感情三重項を抽出できる。 実験結果から,本フレームワークは最先端の手法よりも優れており,複数括弧で三重項を予測し,複数括弧で三重項を抽出する性能が向上していることがわかった。

関連論文リスト

• Multi-threshold Deep Metric Learning for Facial Expression Recognition [60.26967776920412]
  本稿では,難易度検証を回避する多閾値深度学習手法を提案する。 その結果,三重項損失のそれぞれの閾値は本質的にクラス間変動の特異な分布を決定することがわかった。 埋め込み層はスライスで構成されており、より情報的で差別的な特徴である。
  論文  参考訳（メタデータ） (2024-06-24T08:27:31Z)
• GroupContrast: Semantic-aware Self-supervised Representation Learning for 3D Understanding [66.5538429726564]
  自己教師付き3D表現学習は、大規模未ラベルの点群から効果的な表現を学習することを目的としている。 本稿では,セグメンテーションとセマンティック・アウェア・コントラッシブ・ラーニングを組み合わせた新しいアプローチであるGroupContrastを提案する。
  論文  参考訳（メタデータ） (2024-03-14T17:59:59Z)
• Collaborative Group: Composed Image Retrieval via Consensus Learning from Noisy Annotations [67.92679668612858]
  我々は,集団が個人より優れているという心理的概念に触発されたコンセンサスネットワーク(Css-Net)を提案する。 Css-Netは,(1)コンセンサスモジュールと4つのコンセンサスモジュール,(2)コンセンサス間の相互作用の学習を促進するKulback-Leibler分散損失の2つのコアコンポーネントから構成される。 ベンチマークデータセット、特にFashionIQでは、Css-Netが大幅に改善されている。特に、R@10が2.77%、R@50が6.67%増加し、リコールが大幅に向上している。
  論文  参考訳（メタデータ） (2023-06-03T11:50:44Z)
• PV2TEA: Patching Visual Modality to Textual-Established Information Extraction [59.76117533540496]
  我々は、その視覚的モダリティをテキスト化された属性情報抽出器にパッチする。 PV2TEAは3つのバイアス低減方式を備えたエンコーダデコーダアーキテクチャである。 実世界のeコマースデータセットに関する実証的な結果は、絶対値11.74%(相対値20.97%)のF1の増加を示す。
  論文  参考訳（メタデータ） (2023-06-01T05:39:45Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)
• PASTE: A Tagging-Free Decoding Framework Using Pointer Networks for Aspect Sentiment Triplet Extraction [12.921737393688245]
  Aspect Sentiment Triplet extract (ASTE)は、意見の対象または側面、関連する感情、およびそれに対応する意見用語/スパンからなる意見三つ子を抽出する。 我々は、ポイントネットワークベースのデコードフレームワークでエンコーダ・デコーダアーキテクチャを適用し、各ステップで全意見の三重項を生成する。
  論文  参考訳（メタデータ） (2021-10-10T13:39:39Z)
• Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction [25.984894351763945]
  Aspect Sentiment Triplet extract (ASTE)はABSAの最新のサブタスクである。 最近のモデルはエンドツーエンドで三重項抽出を行うが、それぞれの単語と意見語間の相互作用に強く依存している。 提案するスパンレベルアプローチは,感情関係を予測する際に,対象の全体と意見の相互作用を明示的に検討する。
  論文  参考訳（メタデータ） (2021-07-26T13:47:31Z)
• Semantic and Syntactic Enhanced Aspect Sentiment Triplet Extraction [18.331779474247323]
  Aspect Sentiment Triplet extractは、文章から三つ子を抽出することを目的としており、それぞれの三つ子には、エンティティ、関連する感情、そして感情の理由を説明する意見が含まれる。 本稿では,三重項要素間の統語的・意味的関係を完全に活用し,共同抽出を行うセマンティック・シンタクティック・エンハンスメント・アスペクト・センチメント三重項抽出モデル(S3E2)を提案する。
  論文  参考訳（メタデータ） (2021-06-07T03:16:51Z)
• Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction [8.208671244754317]
  アスペクトセンチメントトリプレット抽出(ASTE)は、きめ細かいオピニオンマイニングの新たなタスクです。 我々はASTEタスクをマルチターン機械読解(MTMRC)タスクに変換する。 本稿では,この課題に対処する双方向MRC(BMRC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-13T09:30:47Z)
• First Target and Opinion then Polarity: Enhancing Target-opinion Correlation for Aspect Sentiment Triplet Extraction [45.82241446769157]
  Aspect Sentiment Triplet Extraction(ASTE)は、ターゲットエンティティ、関連する感情極性、および極性を合理化する意見スパンを含む文からトリプレットを抽出することを目的としています。 既存の方法は、目標対の相関関係の構築に短く、異なる感情三重項間の相互干渉を無視する。 シークエンスタギングによるターゲットと意見の相関性を高める新しい二段階法を提案する。
  論文  参考訳（メタデータ） (2021-02-17T03:28:17Z)
• Position-Aware Tagging for Aspect Sentiment Triplet Extraction [37.76744150888183]
  Aspect Sentiment Triplet extract (ASTE) は、対象エンティティのトリプルを抽出するタスクであり、その感情の理由を説明する。 我々の観察では、三重項内の3つの要素は互いに非常に関連しており、このような三重項を抽出するジョイントモデルを構築する動機となっている。 本稿では,三つ子を共同抽出可能な新しい位置認識型タグ付け方式による最初のエンドツーエンドモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T10:40:34Z)

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。