論文の概要: Learning Unsupervised Semantic Document Representation for Fine-grained Aspect-based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2401.06210v1
• Date: Thu, 11 Jan 2024 18:59:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 20:53:21.913446
• Title: Learning Unsupervised Semantic Document Representation for Fine-grained Aspect-based Sentiment Analysis
• Title（参考訳）: 細粒度アスペクトベース感情分析のための教師なし意味文書表現の学習
• Authors: Hao-Ming Fu, Pu-Jen Cheng
• Abstract要約: 教師なしの方法で学んだ一般的な表現は、一般性を保ち、様々な用途に使用できる。 教師なし文書表現学習の現在の手法は、単語の順序を明示的に考慮するシーケンシャルな1つと、それを明示的に考慮しない非シーケンシャルな2つのファミリーに分けることができる。 両手法が直面する困難を克服するモデルを提案する。
• 参考スコア（独自算出の注目度）: 2.1756081703275996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Document representation is the core of many NLP tasks on machine understanding. A general representation learned in an unsupervised manner reserves generality and can be used for various applications. In practice, sentiment analysis (SA) has been a challenging task that is regarded to be deeply semantic-related and is often used to assess general representations. Existing methods on unsupervised document representation learning can be separated into two families: sequential ones, which explicitly take the ordering of words into consideration, and non-sequential ones, which do not explicitly do so. However, both of them suffer from their own weaknesses. In this paper, we propose a model that overcomes difficulties encountered by both families of methods. Experiments show that our model outperforms state-of-the-art methods on popular SA datasets and a fine-grained aspect-based SA by a large margin.
• Abstract（参考訳）: 文書表現は、機械理解における多くのNLPタスクの中核である。 教師なしの方法で学んだ一般的な表現は、一般性を保ち、様々な用途に使用できる。 実際には、感情分析(SA)は意味論的に深く関連づけられた課題であり、一般的な表現を評価するためにしばしば用いられる。 教師なし文書表現学習の既存の手法は、単語の順序を明示的に考慮するシーケンシャルなものと、それを明示的に考慮しない非シーケンシャルなものの2つのファミリーに分けることができる。 しかし、両者とも自身の弱点に悩まされている。 本稿では,両手法が直面する困難を克服するモデルを提案する。 実験の結果,我々のモデルは,一般的なSAデータセットの最先端手法と,粒度の細かいアスペクトベースSAを大きなマージンで上回ることがわかった。

関連論文リスト

• Disentangling Dense Embeddings with Sparse Autoencoders [0.0]
  スパースオートエンコーダ(SAE)は、複雑なニューラルネットワークから解釈可能な特徴を抽出する可能性を示している。 大規模言語モデルからの高密度テキスト埋め込みに対するSAEの最初の応用の1つを提示する。 その結果,解釈可能性を提供しながら意味的忠実さを保っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-01T15:46:22Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Document-Level Supervision for Multi-Aspect Sentiment Analysis Without Fine-grained Labels [14.187425779776204]
  本稿では,文書レベルの監視を用いてABSAを実行するVAEベースのトピックモデリング手法を提案する。 この手法により、文書内の複数の側面を検知し、複数の側面を通して表現された感情がどのように集まって、観察可能な文書レベルの感情を形成するのかを推論することが可能になる。
  論文  参考訳（メタデータ） (2023-10-10T18:53:21Z)
• RankCSE: Unsupervised Sentence Representations Learning via Learning to Rank [54.854714257687334]
  本稿では,教師なし文表現学習のための新しい手法であるRangCSEを提案する。 コントラスト学習を伴うランキング一貫性とランキング蒸留を統一された枠組みに組み込む。 セマンティックテキスト類似性(STS)と転送タスク(TR)の両方について、広範な実験が実施されている。
  論文  参考訳（メタデータ） (2023-05-26T08:27:07Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Learning Downstream Task by Selectively Capturing Complementary Knowledge from Multiple Self-supervisedly Learning Pretexts [20.764378638979704]
  本稿では,タスクに適した表現を適応的に絞り込むために,アテンション機構を活用する新しい手法を提案する。 本手法は,知識収集において,現在普及しているテキストマッチング手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2022-04-11T16:46:50Z)
• MAML and ANIL Provably Learn Representations [60.17417686153103]
  我々は,MAMLとANILという2つの有名なメタ学習手法が,与えられたタスク群間の共通表現を学習可能であることを証明した。 具体的には、よく知られたマルチタスク線形表現学習環境では、指数関数的に高速な速度で接地トラス表現を復元することができる。 解析の結果,MAMLとANILがベースとなる表現を回復させる駆動力は,モデルの最終層に適応していることが判明した。
  論文  参考訳（メタデータ） (2022-02-07T19:43:02Z)
• Odd-One-Out Representation Learning [1.6822770693792826]
  ランダム・ワン・アウト観測に基づく下流の弱教師付きタスクがモデル選択に適していることを示す。 また,この課題を高度に遂行する,目覚しいメトリック学習型VAEモデルが,他の標準の教師なしおよび弱教師付きアンタングルメントモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-14T22:01:15Z)
• 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)
• Weakly-Supervised Disentanglement Without Compromises [53.55580957483103]
  インテリジェントエージェントは、環境の変化を観察することで、有用な表現を学べるべきである。 変動の要因の少なくとも1つを共有する非I.d.画像のペアとしてそのような観測をモデル化する。 我々は,どの因子が変化したかのみを知るだけで,非絡み合った表現を学ぶのに十分であることを示す。
  論文  参考訳（メタデータ） (2020-02-07T16:39:31Z)

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。