論文の概要: Enhancing Event-Level Sentiment Analysis with Structured Arguments

• arxiv url: http://arxiv.org/abs/2205.15511v1
• Date: Tue, 31 May 2022 02:44:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-02 03:31:54.590980
• Title: Enhancing Event-Level Sentiment Analysis with Structured Arguments
• Title（参考訳）: 構造化Argumentsを用いたイベントレベル感性分析の強化
• Authors: Qi Zhang, Jie Zhou, Qin Chen, Qinchun Bai, Liang He
• Abstract要約: 我々は、そのタスクを構造化イベントレベルSAとして再定義し、エンド・ツー・エンドイベントレベル感性分析アプローチを提案する。 具体的には、イベントレベルのSAを強化するために、イベント構造情報を明示的に抽出し、モデル化する。 データセットの欠如についても、イベント引数と感情ラベル付きで大規模な実世界のデータセットをリリースしています。
• 参考スコア（独自算出の注目度）: 26.85337814219245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Previous studies about event-level sentiment analysis (SA) usually model the event as a topic, a category or target terms, while the structured arguments (e.g., subject, object, time and location) that have potential effects on the sentiment are not well studied. In this paper, we redefine the task as structured event-level SA and propose an End-to-End Event-level Sentiment Analysis ($\textit{E}^{3}\textit{SA}$) approach to solve this issue. Specifically, we explicitly extract and model the event structure information for enhancing event-level SA. Extensive experiments demonstrate the great advantages of our proposed approach over the state-of-the-art methods. Noting the lack of the dataset, we also release a large-scale real-world dataset with event arguments and sentiment labelling for promoting more researches\footnote{The dataset is available at https://github.com/zhangqi-here/E3SA}.
• Abstract（参考訳）: 事象レベルの感情分析(SA)に関する以前の研究は、通常、事象を話題、カテゴリーまたは対象用語としてモデル化するが、感情に潜在的な影響を持つ構造化された議論(主題、対象、時間、位置など)は十分に研究されていない。 本稿では,そのタスクを構造化イベントレベルSAとして再定義し,その問題を解決するためのエンド・ツー・エンドイベントレベル感性分析(\textit{E}^{3}\textit{SA}$)アプローチを提案する。 具体的には、イベントレベルのsaを強化するためにイベント構造情報を明示的に抽出しモデル化する。 広範な実験により,最先端手法に対する提案手法の長所を実証した。 データセットの欠如に注目して、さらに研究を促進するイベント引数と感情ラベリングを備えた、大規模な実世界のデータセットもリリースしています。

関連論文リスト

• EFSA: Towards Event-Level Financial Sentiment Analysis [27.45063543020029]
  我々は、金融感情分析(FSA)をイベントレベルにまで拡張する。 粗大なイベントカテゴリと細粒なイベントカテゴリからなる分類を設計する。 12,160ドルのニュース記事と13,725ドルのクインタプルを含む大規模な中国のデータセットが、私たちのタスクの新たなテストベッドとして公開されています。
  論文  参考訳（メタデータ） (2024-04-08T07:36:26Z)
• Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
  ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。 イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
  論文  参考訳（メタデータ） (2024-03-05T01:46:50Z)
• MAVEN-Arg: Completing the Puzzle of All-in-One Event Understanding Dataset with Event Argument Annotation [104.6065882758648]
  MAVEN-Argは、イベント検出、イベント引数抽出、イベント関係抽出をサポートする最初のオールインワンデータセットである。 EAEベンチマークでは、(1)162のイベントタイプと612の引数ロールをカバーする包括的なスキーマ、(2)98,591のイベントと290,613の引数を含む大規模なデータスケール、(3)EAEのすべてのタスク変種をサポートする包括的なアノテーションの3つの利点がある。
  論文  参考訳（メタデータ） (2023-11-15T16:52:14Z)
• In Defense of Structural Symbolic Representation for Video Event-Relation Prediction [44.528350052251334]
  1)SSRベースの手法が失敗した理由,2)ビデオイベント関連予測の評価設定を適切に理解する方法,3)SSRベースの手法の可能性を明らかにする方法について,実証分析を行った。 本稿では,SSRに基づくモデルをイベント系列モデルにさらにコンテキスト化し,外部の視覚的コモンセンス知識ベースをイベント関連予測事前学習データセットに再構成する方法により,より現実的な知識を付加することを提案する。
  論文  参考訳（メタデータ） (2023-01-06T14:43:19Z)
• EA$^2$E: Improving Consistency with Event Awareness for Document-Level Argument Extraction [52.43978926985928]
  本稿では、トレーニングと推論のための拡張コンテキストを備えたイベント・アウェア・引数抽出(EA$2$E)モデルを紹介する。 WIKIEVENTSとACE2005データセットの実験結果から,EA$2$Eの有効性が示された。
  論文  参考訳（メタデータ） (2022-05-30T04:33:51Z)
• CLIP-Event: Connecting Text and Images with Event Structures [123.31452120399827]
  視覚言語事前学習モデルを適用したコントラスト学習フレームワークを提案する。 我々は、イベント構造知識を得るために、テキスト情報抽出技術を利用する。 実験により、ゼロショットCLIP-Eventは引数抽出において最先端の教師付きモデル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） (2022-01-13T17:03:57Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Event Argument Extraction using Causal Knowledge Structures [9.56216681584111]
  イベント引数抽出とは、特定のイベントのために構造化されていないテキストから構造化情報を抽出するタスクを指します。 既存の作業のほとんどは、このタスクを文レベルでモデル化し、コンテキストをローカルスコープに制限する。 複雑なイベント引数の抽出を支援するために,ドキュメントレベルのイベント情報を注入する外部知識支援アプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-02T13:59:07Z)
• Document-Level Event Argument Extraction by Conditional Generation [75.73327502536938]
  イベント抽出は、長い間IEコミュニティで文レベルのタスクとして扱われてきた。 タスクを条件生成型イベントテンプレートとして定式化することで,ドキュメントレベルのニューラルイベント引数抽出モデルを提案する。 また、新しいドキュメントレベルのイベント抽出ベンチマークデータセットWikiEventsもコンパイルします。
  論文  参考訳（メタデータ） (2021-04-13T03:36:38Z)
• Document-level Event Extraction with Efficient End-to-end Learning of Cross-event Dependencies [37.96254956540803]
  本稿では,構造化予測アルゴリズムであるDeep Value Networks (DVN) を利用したエンドツーエンドモデルを提案する。 提案手法はACE05上でのCRFモデルに匹敵する性能を達成し,計算効率は極めて高い。
  論文  参考訳（メタデータ） (2020-10-24T05:28:16Z)

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。