論文の概要: FaiMA: Feature-aware In-context Learning for Multi-domain Aspect-based Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2403.01063v1
• Date: Sat, 2 Mar 2024 02:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 15:29:07.648316
• Title: FaiMA: Feature-aware In-context Learning for Multi-domain Aspect-based Sentiment Analysis
• Title（参考訳）: faima:マルチドメインアスペクトベース感情分析のための機能対応インコンテキスト学習
• Authors: Songhua Yang, Xinke Jiang, Hanjie Zhao, Wenxuan Zeng, Hongde Liu, Yuxiang Jia
• Abstract要約: マルチドメインアスペクトベースの感情分析(ABSA)は、多様なドメインにわたってきめ細かい感情を捉えようとしている。 マルチドメインABSA(FaiMA)のための特徴認識型インコンテキスト学習フレームワークを提案する。 FaiMAはマルチドメインABSAタスクの適応学習を容易にする機能認識機構である。
• 参考スコア（独自算出の注目度）: 1.606149016749251
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-domain aspect-based sentiment analysis (ABSA) seeks to capture fine-grained sentiment across diverse domains. While existing research narrowly focuses on single-domain applications constrained by methodological limitations and data scarcity, the reality is that sentiment naturally traverses multiple domains. Although large language models (LLMs) offer a promising solution for ABSA, it is difficult to integrate effectively with established techniques, including graph-based models and linguistics, because modifying their internal architecture is not easy. To alleviate this problem, we propose a novel framework, Feature-aware In-context Learning for Multi-domain ABSA (FaiMA). The core insight of FaiMA is to utilize in-context learning (ICL) as a feature-aware mechanism that facilitates adaptive learning in multi-domain ABSA tasks. Specifically, we employ a multi-head graph attention network as a text encoder optimized by heuristic rules for linguistic, domain, and sentiment features. Through contrastive learning, we optimize sentence representations by focusing on these diverse features. Additionally, we construct an efficient indexing mechanism, allowing FaiMA to stably retrieve highly relevant examples across multiple dimensions for any given input. To evaluate the efficacy of FaiMA, we build the first multi-domain ABSA benchmark dataset. Extensive experimental results demonstrate that FaiMA achieves significant performance improvements in multiple domains compared to baselines, increasing F1 by 2.07% on average. Source code and data sets are anonymously available at https://github.com/SupritYoung/FaiMA.
• Abstract（参考訳）: マルチドメインアスペクトベースの感情分析(ABSA)は、多様なドメインにわたってきめ細かい感情を捉えようとしている。 既存の研究は、方法論上の制限とデータ不足によって制約された単一ドメインアプリケーションに焦点を当てているが、現実には、感情は自然に複数のドメインを横断する。 大規模言語モデル(LLM)はABSAに有望なソリューションを提供するが、内部アーキテクチャの変更は容易ではないため、グラフベースのモデルや言語学を含む既存の技術と効果的に統合することは困難である。 この問題を軽減するため,我々はマルチドメインabsa(faima)のための特徴認識インコンテキスト学習という新しいフレームワークを提案する。 FaiMAの中核となる洞察は、マルチドメインABSAタスクにおける適応学習を容易にする機能認識メカニズムとして、インコンテキスト学習(ICL)を利用することである。 具体的には,言語的,ドメイン的,感情的特徴のヒューリスティックな規則に最適化されたテキストエンコーダとしてマルチヘッドグラフアテンションネットワークを用いる。 コントラスト学習を通じて,これらの多様な特徴に着目して文表現を最適化する。 さらに,FaiMAが任意の入力に対して,複数の次元にまたがる高関連事例を安定して検索できる効率的なインデックス化機構を構築する。 FaiMAの有効性を評価するため,最初のマルチドメインABSAベンチマークデータセットを構築した。 広範囲な実験の結果、faimaはベースラインと比較して複数のドメインで大幅なパフォーマンス改善を達成し、平均でf1を2.07%増加させた。 ソースコードとデータセットはhttps://github.com/SupritYoung/FaiMA.comで匿名で入手できる。

関連論文リスト

• Boosting Large Language Models with Continual Learning for Aspect-based Sentiment Analysis [33.86086075084374]
  アスペクトベース感情分析(ABSA)は感情分析の重要なサブタスクである。 ABSAのための大規模言語モデルに基づく連続学習(textttLLM-CL)モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-09T02:00:07Z)
• Cross-domain Multi-modal Few-shot Object Detection via Rich Text [21.36633828492347]
  クロスモーダルな特徴抽出と統合は、数ショットの学習タスクで安定したパフォーマンス改善をもたらした。 MM-OD (CDMM-FSOD) のクロスドメイン数ショット一般化について検討し,メタラーニングに基づく多モード数ショット検出手法を提案する。
  論文  参考訳（メタデータ） (2024-03-24T15:10:22Z)
• Domain-Expanded ASTE: Rethinking Generalization in Aspect Sentiment Triplet Extraction [67.54420015049732]
  Aspect Sentiment Triplet extract (ASTE) は感情分析における課題であり、人間の感情に対するきめ細かい洞察を提供することを目的としている。 既存のベンチマークは2つのドメインに限定されており、目に見えないドメイン上でのモデルパフォーマンスを評価しない。 各種ドメインのサンプルに注釈を付けることでドメイン拡張ベンチマークを導入し,ドメイン内設定とドメイン外設定の両方でモデルの評価を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T18:01:49Z)
• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Syntax-Guided Domain Adaptation for Aspect-based Sentiment Analysis [23.883810236153757]
  ドメイン適応は、ドメイン間で共通の知識を伝達することによって、新しいドメインにおけるデータ不足問題を緩和するための一般的なソリューションである。 より効果的なクロスドメインABSAのための、SDAMと呼ばれる新しい構文誘導型ドメイン適応モデルを提案する。 我々のモデルは、クロスドメインEnd2EndABSAタスクのMicro-F1メトリックに関して、最先端のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2022-11-10T10:09:33Z)
• Rethinking Few-Shot Object Detection on a Multi-Domain Benchmark [28.818423712485504]
  Multi-dOmain Few-Shot Object Detection (MoFSOD)ベンチマークは、幅広いドメインから10のデータセットで構成されている。 我々は、FSOD性能に対する凍結層、異なるアーキテクチャ、異なる事前学習データセットの影響を分析する。
  論文  参考訳（メタデータ） (2022-07-22T16:13:22Z)
• A Simple Information-Based Approach to Unsupervised Domain-Adaptive Aspect-Based Sentiment Analysis [58.124424775536326]
  本稿では,相互情報に基づくシンプルだが効果的な手法を提案し,それらの用語を抽出する。 実験の結果,提案手法はクロスドメインABSAの最先端手法よりも4.32%高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-29T10:18:07Z)
• Transformer-based Multi-Aspect Modeling for Multi-Aspect Multi-Sentiment Analysis [56.893393134328996]
  本稿では,複数の側面間の潜在的な関係を抽出し,文中のすべての側面の感情を同時に検出できるトランスフォーマーベースのマルチアスペクトモデリング手法を提案する。 本手法はBERTやRoBERTaといった強力なベースラインと比較して顕著な改善を実現している。
  論文  参考訳（メタデータ） (2020-11-01T11:06:31Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。