論文の概要: Zero-shot Aspect-level Sentiment Classification via Explicit Utilization
of Aspect-to-Document Sentiment Composition
- arxiv url: http://arxiv.org/abs/2209.02276v1
- Date: Tue, 6 Sep 2022 08:02:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:26:55.023447
- Title: Zero-shot Aspect-level Sentiment Classification via Explicit Utilization
of Aspect-to-Document Sentiment Composition
- Title（参考訳）: アスペクト・ツー・ドキュメンテーション・センティメント構成の明示的利用によるゼロショットアスペクトレベルのセンティメント分類
- Authors: Pengfei Deng, Jianhua Yuan, Yanyan Zhao, Bing Qin
- Abstract要約: 本研究では,文書レベルのレビューのみを用いて,ゼロショットのアスペクトレベルの感情分類を実現する。
我々の重要な直感は、文書の感情表現が、その文書のすべての側面の感情表現から成り立っていることである。
AF-DSCはまずすべての潜在的側面に対する感情表現を学習し、その後、アスペクトレベルの感情を文書レベルの感情分類に集約し、文書レベルの感情分類を行う。
- 参考スコア（独自算出の注目度）: 13.955534334487618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As aspect-level sentiment labels are expensive and labor-intensive to
acquire, zero-shot aspect-level sentiment classification is proposed to learn
classifiers applicable to new domains without using any annotated aspect-level
data. In contrast, document-level sentiment data with ratings are more easily
accessible. In this work, we achieve zero-shot aspect-level sentiment
classification by only using document-level reviews. Our key intuition is that
the sentiment representation of a document is composed of the sentiment
representations of all the aspects of that document. Based on this, we propose
the AF-DSC method to explicitly model such sentiment composition in reviews.
AF-DSC first learns sentiment representations for all potential aspects and
then aggregates aspect-level sentiments into a document-level one to perform
document-level sentiment classification. In this way, we obtain the
aspect-level sentiment classifier as the by-product of the document-level
sentiment classifier. Experimental results on aspect-level sentiment
classification benchmarks demonstrate the effectiveness of explicit utilization
of sentiment composition in document-level sentiment classification. Our model
with only 30k training data outperforms previous work utilizing millions of
data.
- Abstract（参考訳）: アスペクトレベルの感情ラベルは高価で、取得に労力がかかるため、アノテーション付きアスペクトレベルのデータを用いることなく、新しいドメインに適用可能な分類を学習するためにゼロショットのアスペクトレベルの感情分類を提案する。
対照的に、評価付き文書レベルの感情データはよりアクセスしやすい。
本研究では,文書レベルのレビューのみを用いて,ゼロショットのアスペクトレベルの感情分類を実現する。
我々の重要な直感は、文書の感情表現が、その文書のすべての側面の感情表現から成り立っていることである。
そこで我々は,このような感情構成をレビューで明示的にモデル化するAF-DSC法を提案する。
AF-DSCはまずすべての潜在的側面に対する感情表現を学び、次にアスペクトレベルの感情を文書レベルの感情分類に集約し、文書レベルの感情分類を行う。
このように、文書レベルの感情分類器の副産物としてアスペクトレベルの感情分類器を得る。
アスペクトレベルの感情分類ベンチマークの実験結果は、文書レベルの感情分類における感情構成の明示的な利用の有効性を示す。
30kのトレーニングデータしか持たない私たちのモデルは、数百万のデータを利用する以前の作業より優れています。
関連論文リスト
- Contextual Document Embeddings [77.22328616983417]
本稿では,コンテキスト化された文書埋め込みのための2つの補完手法を提案する。
第一に、文書近傍を明示的にバッチ内コンテキスト損失に組み込む別のコントラスト学習目標である。
第二に、隣接する文書情報をエンコードされた表現に明示的にエンコードする新しいコンテキストアーキテクチャ。
論文 参考訳（メタデータ） (2024-10-03T14:33:34Z) - Sentiment-Aware Word and Sentence Level Pre-training for Sentiment
Analysis [64.70116276295609]
SentiWSPは、WordレベルとSentenceレベルの事前トレーニングタスクを組み合わせた、Sentiment対応の事前トレーニング言語モデルである。
SentiWSPは、様々な文レベルおよびアスペクトレベルの感情分類ベンチマーク上で、最先端のパフォーマンスを新たに達成する。
論文 参考訳（メタデータ） (2022-10-18T12:25:29Z) - Out-of-Category Document Identification Using Target-Category Names as
Weak Supervision [64.671654559798]
Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。
対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-24T21:01:25Z) - Improving Document-Level Sentiment Classification Using Importance of
Sentences [3.007949058551534]
深層ニューラルネットワークに基づく文書レベルの文分類モデルを提案する。
映画レビュー,ホテルレビュー,レストランレビュー,音楽レビューなど,4つの異なる領域における感情データセットを用いた実験を行った。
実験の結果,文書レベルの感情分類タスクでは文の重要性を考慮すべきであることがわかった。
論文 参考訳（メタデータ） (2021-03-09T01:29:08Z) - Hierarchical Bi-Directional Self-Attention Networks for Paper Review
Rating Recommendation [81.55533657694016]
本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。
具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。
我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
論文 参考訳（メタデータ） (2020-11-02T08:07:50Z) - 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) - Hierarchical Interaction Networks with Rethinking Mechanism for
Document-level Sentiment Analysis [37.20068256769269]
文書レベルの感性分析(DSA)は、あいまいなセマンティックリンクと感情情報の複雑化により、より困難である。
そこで本研究では,DSAにおける対象の明示的パターンと感情文脈を用いた識別表現を効果的に生成する方法について検討する。
感性に基づく再考機構(SR)を,感情ラベル情報を用いてHINを精製し,より感情に敏感な文書表現を学習することによって設計する。
論文 参考訳（メタデータ） (2020-07-16T16:27:38Z) - A Unified Dual-view Model for Review Summarization and Sentiment
Classification with Inconsistency Loss [51.448615489097236]
ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。
本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。
異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
論文 参考訳（メタデータ） (2020-06-02T13:34:11Z) - A Systematic Comparison of Architectures for Document-Level Sentiment
Classification [14.670220716382515]
文書レベルの感情分類における階層モデルと伝達学習を比較した。
5つの言語において,非自明な階層モデルが過去のベースラインを上回り,文書レベルの感情分類に基づく伝達学習を行うことを示す。
論文 参考訳（メタデータ） (2020-02-19T12:22:46Z)
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。