論文の概要: A Soft Contrastive Learning-based Prompt Model for Few-shot Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2312.10479v1
• Date: Sat, 16 Dec 2023 15:17:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 16:17:30.762235
• Title: A Soft Contrastive Learning-based Prompt Model for Few-shot Sentiment Analysis
• Title（参考訳）: ソフトコントラスト学習に基づく感情分析のためのプロンプトモデル
• Authors: Jingyi Zhou, Jie Zhou, Jiabao Zhao, Siyin Wang, Haijun Shan, Gui Tao, Qi Zhang, Xuanjing Huang
• Abstract要約: 数ショットの感情分析のためのソフトコントラスト学習に基づくPromptモデルを提案する。 まず、感情を予測するためにモデルを導くために、感情を意識した思考プロンプトモジュールを設計する。 そこで本研究では,ラベルの相関を考慮したソフトコントラスト学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 38.17825180485807
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Few-shot text classification has attracted great interest in both academia and industry due to the lack of labeled data in many fields. Different from general text classification (e.g., topic classification), few-shot sentiment classification is more challenging because the semantic distances among the classes are more subtle. For instance, the semantic distances between the sentiment labels in a positive or negative polarity (e.g., ``love" and ``joy", ``remorse" and ``sadness") are close, while the distances are large for the sentiment labels in two opposite polarities (e.g., ``love" and ``sadness"). To address this problem, we propose a Soft Contrastive learning-based Prompt (\texttt{SCP}) model for few-shot sentiment analysis. First, we design a sentiment-aware chain of thought prompt module to guide the model to predict the sentiment from coarse grain to fine grain via a series of intermediate reasoning steps. Then, we propose a soft contrastive learning algorithm to take the correlation of the labels into account. A series of experiments on several sentiment analysis datasets show the great advantages of \texttt{SCP} by comparing it with SOTA baselines (e.g., ChatGPT).
• Abstract（参考訳）: 多くの分野におけるラベル付きデータの欠如により、数少ないテキスト分類は学界と産業の両方で大きな関心を集めている。 一般的なテキスト分類(トピック分類など)とは異なり、クラス間の意味的距離がより微妙であるため、少数の感情分類の方が難しい。 例えば、正極性または負極性における感情ラベル間の意味的距離(例えば、『love』と『joy』と『remorse』と『sadness』)は近いが、『love』と『sadness』は反対極性の感情ラベルに対して距離が大きい(例えば『love』と『sadness』)。 そこで本研究では,ソフトコントラスト学習に基づく感情分析のためのPrompt(\texttt{SCP})モデルを提案する。 まず,一連の中間的推論ステップを通じて,粗粒から微粒への感情予測をモデルに導くために,思考プロンプトモジュールの感情認識連鎖を設計する。 そこで本研究では,ラベルの相関を考慮したソフトコントラスト学習アルゴリズムを提案する。 いくつかの感情分析データセットに関する一連の実験は、SOTAベースライン(例えばChatGPT)と比較することで、 \texttt{SCP} の大きな利点を示している。

関連論文リスト

• What is Sentiment Meant to Mean to Language Models? [0.0]
  センチメント(sentiment)は、使用するドメインやツールによって、さまざまな概念を包含する。 感覚」は、感情、意見、市場の動き、あるいは単に一般の善悪の次元を意味するために使われてきた。
  論文  参考訳（メタデータ） (2024-05-03T19:37:37Z)
• SoftMCL: Soft Momentum Contrastive Learning for Fine-grained Sentiment-aware Pre-training [8.148261580909425]
  本研究では,微粒な感情認識事前学習のためのソフトモーメントコントラスト学習(SoftMCL)を提案する。 提案するSoftMCLは,感情情報を学習するモデルの能力を高めるために,単語レベルと文レベルの両方で実行される。
  論文  参考訳（メタデータ） (2024-05-03T03:15:38Z)
• Linguistic features for sentence difficulty prediction in ABSA [0.3172761915061083]
  ドメインの多様性と構文の多様性が難易度に与える影響について検討する。 私たちは文の難易度を定義する2つの方法を採用している。 また、文レベルでの難易度を推定することを目的とした9つの言語的特徴も定義する。
  論文  参考訳（メタデータ） (2024-02-05T16:31:03Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Label-enhanced Prototypical Network with Contrastive Learning for Multi-label Few-shot Aspect Category Detection [17.228616743739412]
  マルチラベルアスペクトカテゴリ検出は、与えられたレビュー文に複数のアスペクトカテゴリを含むことを可能にする。 複数ラベルの複数ショットのアスペクトカテゴリー検出のための新しいラベル強化ネットワーク(LPN)を提案する。
  論文  参考訳（メタデータ） (2022-06-14T02:37:44Z)
• Not All Negatives are Equal: Label-Aware Contrastive Loss for Fine-grained Text Classification [0.0]
  2つの細粒度テキスト分類タスクにおいて、事前訓練された言語モデルの対照的な微調整を解析する。 クラス関係を比較対象関数に適応的に組み込んで、正と負の異なる評価を支援する。 ラベルを意識したContrastive Lossは,従来のコントラスト手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-12T04:19:17Z)
• A Theory-Driven Self-Labeling Refinement Method for Contrastive Representation Learning [111.05365744744437]
  教師なしのコントラスト学習は、正のイメージの作物と、負のイメージの作物とをラベル付けする。 本研究は, コントラスト学習において, 不正確なラベル割り当てがセマンティック・インスタンス識別の一般化を著しく損なうことを最初に証明する。 この理論に触発されて、コントラスト学習のための新しい自己ラベル改善手法を提案する。
  論文  参考訳（メタデータ） (2021-06-28T14:24:52Z)
• 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)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)
• Learning to Compare Relation: Semantic Alignment for Few-Shot Learning [48.463122399494175]
  本稿では,コンテンツアライメントに頑健な関係を比較するための新しいセマンティックアライメントモデルを提案する。 数ショットの学習データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2020-02-29T08:37:02Z)

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。