論文の概要: MvP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction

• arxiv url: http://arxiv.org/abs/2305.12627v1
• Date: Mon, 22 May 2023 01:32:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 19:06:09.553965
• Title: MvP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction
• Title（参考訳）: MvP: パースペクティブタプル予測を改善するマルチビュープロンプト
• Authors: Zhibin Gou, Qingyan Guo, Yujiu Yang
• Abstract要約: 異なる順序で生成された感情要素を集約するMulti-view Prompting (MvP)を提案する。 MvPは自然に要素の置換と組み合わせとしてマルチビューとマルチタスクをモデル化することができる。 大規模な実験により、MvPは4つのベンチマークタスクの10のデータセットで最先端のパフォーマンスを大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 14.177875807409434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative methods greatly promote aspect-based sentiment analysis via generating a sequence of sentiment elements in a specified format. However, existing studies usually predict sentiment elements in a fixed order, which ignores the effect of the interdependence of the elements in a sentiment tuple and the diversity of language expression on the results. In this work, we propose Multi-view Prompting (MvP) that aggregates sentiment elements generated in different orders, leveraging the intuition of human-like problem-solving processes from different views. Specifically, MvP introduces element order prompts to guide the language model to generate multiple sentiment tuples, each with a different element order, and then selects the most reasonable tuples by voting. MvP can naturally model multi-view and multi-task as permutations and combinations of elements, respectively, outperforming previous task-specific designed methods on multiple ABSA tasks with a single model. Extensive experiments show that MvP significantly advances the state-of-the-art performance on 10 datasets of 4 benchmark tasks, and performs quite effectively in low-resource settings. Detailed evaluation verified the effectiveness, flexibility, and cross-task transferability of MvP.
• Abstract（参考訳）: 生成方法は、特定のフォーマットで一連の感情要素を生成することによって、アスペクトベースの感情分析を大幅に促進する。 しかし、既存の研究は通常、感情要素を一定の順序で予測しており、感情タプルにおける要素の相互依存と結果に対する言語表現の多様性の影響を無視している。 本研究では,人間ライクな問題解決プロセスの直観を生かして,異なる順序で生成された感情要素を集約するマルチビュー・プロンプト(mvp)を提案する。 具体的には、MvPは、複数の感情タプルを生成するために言語モデルをガイドする要素順序プロンプトを導入し、投票によって最も合理的なタプルを選択する。 MvPは、各要素の置換と組み合わせとして、マルチビューとマルチタスクを自然にモデル化することができ、複数のABSAタスクにおいて、従来のタスク固有の設計手法よりも優れた性能を発揮する。 大規模な実験により、MvPは4つのベンチマークタスクの10のデータセットで最先端のパフォーマンスを大幅に向上し、低リソース設定で非常に効果的に機能することが示された。 詳細な評価により,MvPの有効性,柔軟性,およびクロスタスク転送性が確認された。

関連論文リスト

• P-MMEval: A Parallel Multilingual Multitask Benchmark for Consistent Evaluation of LLMs [84.24644520272835]
  大きな言語モデル(LLM)は、翻訳、コード生成、推論といったタスクにまたがる様々な多言語機能を示す。 以前の評価では、その範囲を基本自然言語処理(NLP)や、独立した機能固有のタスクに制限することが多かった。 我々は、これらのベンチマークの有用性に関する以前の研究の監視に対処するため、大規模ベンチマークから利用可能な、合理的なベンチマークを選択するパイプラインを提案する。 本稿では,P-MMEvalを提案する。P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval。
  論文  参考訳（メタデータ） (2024-11-14T01:29:36Z)
• A Multi-Task, Multi-Modal Approach for Predicting Categorical and Dimensional Emotions [0.0]
  分類的・次元的な感情を予測するマルチタスク・マルチモーダルシステムを提案する。 その結果,2種類の感情の相互規則化の重要性が強調された。
  論文  参考訳（メタデータ） (2023-12-31T16:48:03Z)
• VLT: Vision-Language Transformer and Query Generation for Referring Segmentation [31.051579752237746]
  マルチモーダル情報間のディープインタラクションを容易にするために,セグメンテーションを参照するためのフレームワークを提案する。 我々は,同じ対象対象に対して異なる表現の特徴を狭めるために,マスク付きコントラスト学習を導入する。 提案手法は軽量で,5つのデータセットに対して一貫した,最先端の参照セグメンテーション結果を実現する。
  論文  参考訳（メタデータ） (2022-10-28T03:36:07Z)
• Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis [72.9124467710526]
  生成的アプローチは、テキストから(1つ以上の)4つの要素を1つのタスクとして抽出するために提案されている。 本稿では,ABSAを解くための統一的なフレームワークと,それに関連するサブタスクを提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:38:57Z)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
  最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。 我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。 特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。 一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
  論文  参考訳（メタデータ） (2022-04-06T11:01:08Z)
• Rethinking End-to-End Evaluation of Decomposable Tasks: A Case Study on Spoken Language Understanding [101.24748444126982]
  分解可能なタスクは複雑で、サブタスクの階層から構成される。 しかし、既存のベンチマークでは、通常は表面レベルのサブタスクのみの例が示される。 サブタスク固有のユーティリティ関数上の座標アセントを用いて、ロバストなテストセットを構築するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-29T02:53:59Z)
• Deep Multi-Modal Sets [29.983311598563542]
  ディープ・マルチモーダル・セット(Deep Multi-Modal Sets)は、1つの長く成長する固定サイズのベクトルではなく、非順序集合として特徴の集合を表現する技法である。 さまざまなタイプのタスクを学習するために,さまざまなモダリティを理由として,スケーラブルでマルチモーダルなフレームワークを実証する。
  論文  参考訳（メタデータ） (2020-03-03T15:48:44Z)
• Multi-level Head-wise Match and Aggregation in Transformer for Textual Sequence Matching [87.97265483696613]
  そこで本研究では,複数のレベルにおける頭部のマッチング表現を学習することで,Transformerとのシーケンスペアマッチングを新たに提案する。 実験の結果,提案手法は複数のタスクにおいて新しい最先端性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2020-01-20T20:02:02Z)

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。