論文の概要: Cone: Unsupervised Contrastive Opinion Extraction

• arxiv url: http://arxiv.org/abs/2305.04599v1
• Date: Mon, 8 May 2023 10:18:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 14:49:06.953956
• Title: Cone: Unsupervised Contrastive Opinion Extraction
• Title（参考訳）: Cone: 教師なしのコントラストオピニオン抽出
• Authors: Runcong Zhao, Lin Gui, Yulan He
• Abstract要約: 本研究では,コネ (Cone) と呼ばれる非教師付きオピニオN抽出モデルを提案する。 擬似的側面と感情ラベルに基づいて、ゆがみのある潜在的側面と感情表現を学習する。 また、アスペクトの相対的な人気と関連する感情分布の定量化も可能である。
• 参考スコア（独自算出の注目度）: 29.794986769537743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive opinion extraction aims to extract a structured summary or key points organised as positive and negative viewpoints towards a common aspect or topic. Most recent works for unsupervised key point extraction is largely built on sentence clustering or opinion summarisation based on the popularity of opinions expressed in text. However, these methods tend to generate aspect clusters with incoherent sentences, conflicting viewpoints, redundant aspects. To address these problems, we propose a novel unsupervised Contrastive OpinioN Extraction model, called Cone, which learns disentangled latent aspect and sentiment representations based on pseudo aspect and sentiment labels by combining contrastive learning with iterative aspect/sentiment clustering refinement. Apart from being able to extract contrastive opinions, it is also able to quantify the relative popularity of aspects and their associated sentiment distributions. The model has been evaluated on both a hotel review dataset and a Twitter dataset about COVID vaccines. The results show that despite using no label supervision or aspect-denoted seed words, Cone outperforms a number of competitive baselines on contrastive opinion extraction. The results of Cone can be used to offer a better recommendation of products and services online.
• Abstract（参考訳）: 対照的な意見抽出は、共通の側面やトピックに対する肯定的かつ否定的な視点として整理された構造化された要約またはキーポイントを抽出することを目的としている。 教師なしキーポイント抽出のためのほとんどの最近の作品は、テキストで表現された意見の人気に基づく文のクラスタリングや意見要約に基づいている。 しかしながら、これらの手法は、一貫性のない文、矛盾する視点、冗長なアスペクトを含むアスペクトクラスタを生成する傾向がある。 このような問題に対処するために,コントラスト学習と反復的側面・感性クラスタリングの洗練を組み合わせ,擬似的側面と感情ラベルに基づいて,非教師付き比較オピニオN抽出モデル(Cone)を提案する。 対照的な意見を抽出できるだけでなく、アスペクトとその関連する感情分布の相対的な人気を定量化することもできる。 このモデルは、ホテルレビューデータセットと新型コロナウイルスに関するTwitterデータセットの両方で評価されている。 その結果、ラベルの監督やアスペクト指定のシードワードを使用しないにもかかわらず、コンはコントラスト的な意見抽出において多くの競争的ベースラインを上回ります。 Coneの結果は、オンラインで製品やサービスのより良いレコメンデーションを提供するために利用できる。

関連論文リスト

• Embarrassingly Simple Unsupervised Aspect Based Sentiment Tuple Extraction [0.6429156819529861]
  文中のアスペクト項に対する意見項とそれに対応する感情極性を取り出すための、単純で新しい教師なしのアプローチを提案する。 4つのベンチマークデータセットを用いて実験を行った結果,オブジェクト指向の意見単語を抽出する性能が示された。
  論文  参考訳（メタデータ） (2024-04-21T19:20:42Z)
• Rationale-based Opinion Summarization [23.39553692130953]
  本稿では,レビューを要約する新たなパラダイム,理性に基づく意見要約を提案する。 関係性、特異性、人気度、多様性の4つの望ましい特性を定義します。 適切な合理性を抽出するために、関係性、特異性、人気度、多様性の4つの望ましい特性を定義した。
  論文  参考訳（メタデータ） (2024-03-30T02:22:57Z)
• AMRFact: Enhancing Summarization Factuality Evaluation with AMR-Driven Negative Samples Generation [57.8363998797433]
  抽象的意味表現(AMR)を用いた摂動要約を生成するフレームワークであるAMRFactを提案する。 提案手法は,AMRグラフに一貫した要約を解析し,制御された事実不整合を注入して負の例を生成し,一貫性のない事実不整合要約を高い誤差型カバレッジで生成する。
  論文  参考訳（メタデータ） (2023-11-16T02:56:29Z)
• Aspect-oriented Opinion Alignment Network for Aspect-Based Sentiment Classification [14.212306015270208]
  本稿では、意見語とそれに対応する側面の文脈的関連を捉えるために、アスペクト指向オピニオンアライメントネットワーク(AOAN)を提案する。 さらに,対象の側面に関連性のある意見情報を一致させる多視点的注意機構を設計する。 提案モデルでは,3つのベンチマークデータセットに対して最先端の結果が得られた。
  論文  参考訳（メタデータ） (2023-08-22T13:55:36Z)
• Simple Yet Effective Synthetic Dataset Construction for Unsupervised Opinion Summarization [28.52201592634964]
  本稿では、アスペクト特化と一般的な意見要約の両方を生成するための、単純で効果的な教師なしの2つのアプローチを提案する。 最初のアプローチであるSed Words Based Leave-One-Out (SW-LOO) は、正確にマッチングされたアスペクトシードワードによって、アスペクト関連のレビューを識別する。 第2のアプローチであるNLI-LOO(Natural Language Inference Based Leave-One-Out)では、NLIモデルを用いたアスペクト関連文を、シード語を使わずにより一般的な設定で識別する。
  論文  参考訳（メタデータ） (2023-03-21T08:08:04Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• Keywords and Instances: A Hierarchical Contrastive Learning Framework Unifying Hybrid Granularities for Text Generation [59.01297461453444]
  入力テキスト中のハイブリッドな粒度意味を統一する階層的コントラスト学習機構を提案する。 実験により,本モデルがパラフレージング,対話生成,ストーリーテリングタスクにおいて,競争ベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-26T13:26:03Z)
• Fine-Grained Opinion Summarization with Minimal Supervision [48.43506393052212]
  FineSumは、複数のドキュメントから意見を抽出することでターゲットをプロファイルすることを目的としている。 FineSumは、生のコーパスから意見語句を自動的に識別し、異なる側面と感情に分類し、各アスペクト/感覚の下に複数のきめ細かい意見クラスタを構築する。 ベンチマークの自動評価と定量的人的評価の両方が,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-10-17T15:16:34Z)
• 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)
• A Multi-task Learning Framework for Opinion Triplet Extraction [24.983625011760328]
  本稿では,意見三重項抽出課題としてのABSAの新たな視点について述べる。 アスペクト項と意見項を協調的に抽出するマルチタスク学習フレームワークを提案する。 提案するフレームワークを,ASBAの4つのSemEvalベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-10-04T08:31:54Z)
• 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)

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。