論文の概要: RDGCN: Reinforced Dependency Graph Convolutional Network for
Aspect-based Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2311.04467v1
- Date: Wed, 8 Nov 2023 05:37:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 17:05:54.476737
- Title: RDGCN: Reinforced Dependency Graph Convolutional Network for
Aspect-based Sentiment Analysis
- Title（参考訳）: RDGCN:Aspect-based Sentiment Analysisのための強化依存グラフ畳み込みネットワーク
- Authors: Xusheng Zhao, Hao Peng, Qiong Dai, Xu Bai, Huailiang Peng, Yanbing
Liu, Qinglang Guo, Philip S. Yu
- Abstract要約: 距離と型の両方のビューにおける依存性の重要度を計算するために,新たに強化された依存グラフ畳み込みネットワーク(RDGCN)を提案する。
この基準の下で、重み分布探索と相似性制御に強化学習を利用する距離重要度関数を設計する。
3つの一般的なデータセットに関する総合的な実験は、基準と重要度関数の有効性を示す。
- 参考スコア（独自算出の注目度）: 43.715099882489376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aspect-based sentiment analysis (ABSA) is dedicated to forecasting the
sentiment polarity of aspect terms within sentences. Employing graph neural
networks to capture structural patterns from syntactic dependency parsing has
been confirmed as an effective approach for boosting ABSA. In most works, the
topology of dependency trees or dependency-based attention coefficients is
often loosely regarded as edges between aspects and opinions, which can result
in insufficient and ambiguous syntactic utilization. To address these problems,
we propose a new reinforced dependency graph convolutional network (RDGCN) that
improves the importance calculation of dependencies in both distance and type
views. Initially, we propose an importance calculation criterion for the
minimum distances over dependency trees. Under the criterion, we design a
distance-importance function that leverages reinforcement learning for weight
distribution search and dissimilarity control. Since dependency types often do
not have explicit syntax like tree distances, we use global attention and mask
mechanisms to design type-importance functions. Finally, we merge these weights
and implement feature aggregation and classification. Comprehensive experiments
on three popular datasets demonstrate the effectiveness of the criterion and
importance functions. RDGCN outperforms state-of-the-art GNN-based baselines in
all validations.
- Abstract（参考訳）: アスペクトベースの感情分析(ABSA)は、文中のアスペクト項の感情極性を予測することを目的としている。
グラフニューラルネットワークを用いて構文依存解析から構造パターンを捉えることは、ABSAを促進する効果的なアプローチとして確認されている。
ほとんどの作品において、依存木や依存に基づく注意係数のトポロジーは、しばしばアスペクトと意見の間の縁と見なされ、不十分であいまいな構文利用につながる。
これらの問題に対処するため,我々は,距離と型ビューの両方における依存関係の重要度計算を改善する新しい強化型依存グラフ畳み込みネットワーク(rdgcn)を提案する。
まず,依存性木上の最小距離に対する重要度計算基準を提案する。
この基準の下で、重み分布探索と相似性制御に強化学習を利用する距離重要度関数を設計する。
依存型はツリー距離のような明示的な構文を持たないことが多いため、我々はグローバルアテンションとマスク機構を使って型重要関数を設計する。
最後に、これらの重みをマージし、機能集約と分類を実装します。
3つの一般的なデータセットに関する総合的な実験は、基準と重要度関数の有効性を示す。
RDGCNはすべてのバリデーションにおいて最先端のGNNベースのベースラインを上回っている。
関連論文リスト
- DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - BSAL: A Framework of Bi-component Structure and Attribute Learning for
Link Prediction [33.488229191263564]
トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。
BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。
ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
論文 参考訳（メタデータ） (2022-04-18T03:12:13Z) - Dimensionality Reduction Meets Message Passing for Graph Node Embeddings [0.0]
ノード埋め込みを教師なしで生成するための主成分分析(PCA)とメッセージパッシングを組み合わせたPCAPassを提案する。
提案手法は,ノード分類ベンチマークにおいて人気の高いGNNと比較して,競争性能が向上することを示す。
我々の研究は、メッセージパッシングとスキップ接続による次元性低減が、グラフ構造化データの長距離依存性を集約する上で有望なメカニズムであることを実証している。
論文 参考訳（メタデータ） (2022-02-01T13:39:00Z) - Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。
このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。
本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-20T18:57:18Z) - Relate and Predict: Structure-Aware Prediction with Jointly Optimized
Neural DAG [13.636680313054631]
ニューラルネットワークフレームワークdGAPを提案し、ニューラルネットワーク依存性グラフを学習し、構造認識ターゲット予測を最適化する。
dGAPは構造物の自己超越損失と目標予測損失を共同で訓練する。
複数のシミュレーションデータセットと実データセットでdGAPを実証的に評価する。
論文 参考訳（メタデータ） (2021-03-03T13:55:12Z) - MrGCN: Mirror Graph Convolution Network for Relation Extraction with
Long-Term Dependencies [32.27755470353054]
関係抽出では、豊富な構文的手がかりを含む依存木がテキストの長期依存を捉えるのに広く使われている。
関係抽出に適したプールアンプール構造を持つGNNモデルであるミラーグラフ畳み込みネットワーク(MrGCN)を提案する。
2つのデータセットを用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-01-01T00:52:53Z) - Improving Aspect-based Sentiment Analysis with Gated Graph Convolutional
Networks and Syntax-based Regulation [89.38054401427173]
Aspect-based Sentiment Analysis (ABSA) は、特定の側面に向けて文の感情極性を予測する。
依存関係ツリーは、ABSAの最先端のパフォーマンスを生成するために、ディープラーニングモデルに統合することができる。
本稿では,この2つの課題を克服するために,グラフに基づく新しいディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2020-10-26T07:36:24Z) - Relational Graph Attention Network for Aspect-based Sentiment Analysis [35.342467338880546]
アスペクトベースの感情分析は、オンラインレビューにおける特定の側面に対する感情の極性を決定することを目的としている。
感情予測のための新しい木構造を符号化するリレーショナルグラフアテンションネットワーク(R-GAT)を提案する。
SemEval 2014とTwitterのデータセットで実験が行われている。
論文 参考訳（メタデータ） (2020-04-26T12:21:04Z)
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。