Fugu-MT 論文翻訳(概要): Enhancing Aspect-based Sentiment Analysis in Tourism Using Large Language Models and Positional Information

論文の概要: Enhancing Aspect-based Sentiment Analysis in Tourism Using Large Language Models and Positional Information

arxiv url: http://arxiv.org/abs/2409.14997v1
Date: Mon, 23 Sep 2024 13:19:17 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 15:05:21.900981
Title: Enhancing Aspect-based Sentiment Analysis in Tourism Using Large Language Models and Positional Information
Title（参考訳）: 大規模言語モデルと位置情報を用いた観光におけるアスペクトベース感性分析の強化
Authors: Chun Xu, Mengmeng Wang, Yan Ren, Shaolin Zhu,
Abstract要約: 本稿では,Aspect-Category-Sentiment Quadruple extract (ACOSQE)のためのアスペクトベース感情分析モデルACOS_LLMを提案する。このモデルは補助知識生成とACOSQEという2つの重要な段階から構成される。その結果、F1は観光データセットの他のモデルと比較して7.49%改善した。
参考スコア（独自算出の注目度）: 14.871979025512669
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aspect-Based Sentiment Analysis (ABSA) in tourism plays a significant role in understanding tourists' evaluations of specific aspects of attractions, which is crucial for driving innovation and development in the tourism industry. However, traditional pipeline models are afflicted by issues such as error propagation and incomplete extraction of sentiment elements. To alleviate this issue, this paper proposes an aspect-based sentiment analysis model, ACOS_LLM, for Aspect-Category-Opinion-Sentiment Quadruple Extraction (ACOSQE). The model comprises two key stages: auxiliary knowledge generation and ACOSQE. Firstly, Adalora is used to fine-tune large language models for generating high-quality auxiliary knowledge. To enhance model efficiency, Sparsegpt is utilized to compress the fine-tuned model to 50% sparsity. Subsequently, Positional information and sequence modeling are employed to achieve the ACOSQE task, with auxiliary knowledge and the original text as inputs. Experiments are conducted on both self-created tourism datasets and publicly available datasets, Rest15 and Rest16. Results demonstrate the model's superior performance, with an F1 improvement of 7.49% compared to other models on the tourism dataset. Additionally, there is an F1 improvement of 0.05% and 1.06% on the Rest15 and Rest16 datasets, respectively.
Abstract（参考訳）: 観光産業の革新と発展の推進に不可欠であるアトラクションの特定の側面に対する観光客の評価を理解する上で,観光におけるアスペクトベース感性分析(ABSA)が重要な役割を担っている。しかし、従来のパイプラインモデルは、エラーの伝播や感情要素の不完全な抽出といった問題に悩まされている。そこで本研究では,アスペクトベース感情分析モデルACOS_LLMをAspect-Category-Opinion-Sentiment Quadruple extract (ACOSQE) に提案する。このモデルは補助知識生成とACOSQEという2つの重要な段階から構成される。第一に、アダローラは高品質な補助知識を生成するために大きな言語モデルを微調整するために使用される。モデル効率を向上させるため、スポルセグプは細調整されたモデルを50%まで圧縮するために使用される。その後、ACOSQEタスクを実現するために位置情報とシーケンスモデリングが使用され、補助的な知識と入力として元のテキストが使用される。自己生成した観光データセットと公開データセットであるRest15とRest16の両方で実験が実施されている。その結果、F1は観光データセットの他のモデルと比較して7.49%改善した。さらに、Rest15データセットとRest16データセットでは、それぞれ0.05%と1.06%のF1改善がある。

関連論文リスト

Enhanced Infield Agriculture with Interpretable Machine Learning Approaches for Crop Classification [0.49110747024865004]
本研究では、SIFT、ORB、Color Histogramなどの手作り特徴抽出手法を用いた従来のML、カスタムデザインCNN、AlexNetのようなDLアーキテクチャの確立、ImageNetを用いて事前訓練された5つのモデルの移行学習の4つの異なる分類手法を評価する。 Xceptionはこれら全てを一般化し、80.03MBのモデルサイズと0.0633秒の予測時間で98%の精度を達成した。
論文参考訳（メタデータ） (2024-08-22T14:20:34Z)
Emotion Classification from Multi-Channel EEG Signals Using HiSTN: A Hierarchical Graph-based Spatial-Temporal Approach [0.0]
本研究では,感情分類のためのパラメータ係数ネットワークを提案する。このネットワークには、ボトムアップからさまざまな抽象化レベルで構築されたグラフ階層が組み込まれている。平均F1スコアは96.82%(原子価)、95.62%(原子価)である。
論文参考訳（メタデータ） (2024-08-09T12:32:12Z)
GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)
Automated Root Causing of Cloud Incidents using In-Context Learning with GPT-4 [23.856839017006386]
ルート原因分析(RCA)は、クラウドサービスのインシデント診断プロセスにおいて重要な役割を果たす。 GPT-4モデルの巨大なサイズは、ユーザデータにそれを微調整しようとする際の課題を示す。そこで本研究では,自動ルート生成のためのコンテキスト内学習手法を提案し,微調整の必要性を排除した。
論文参考訳（メタデータ） (2024-01-24T21:02:07Z)
Data-Centric Long-Tailed Image Recognition [49.90107582624604]
ロングテールモデルは高品質なデータに対する強い需要を示している。データ中心のアプローチは、モデルパフォーマンスを改善するために、データの量と品質の両方を強化することを目的としています。現在、情報強化の有効性を説明するメカニズムに関する研究が不足している。
論文参考訳（メタデータ） (2023-11-03T06:34:37Z)
Foundation Models for Generalist Geospatial Artificial Intelligence [3.7002058945990415]
本稿では,大規模データに基づく基礎モデルの事前学習と微調整を効果的に行うための第1種フレームワークを提案する。我々はこの枠組みを利用して、マルチスペクトル衛星画像の1TB以上を事前トレーニングしたトランスフォーマーベースの基礎モデルであるPrithviを開発した。
論文参考訳（メタデータ） (2023-10-28T10:19:55Z)
Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文参考訳（メタデータ） (2023-07-28T16:03:28Z)
GENEVA: Benchmarking Generalizability for Event Argument Extraction with Hundreds of Event Types and Argument Roles [77.05288144035056]
Event Argument extract (EAE)は、新しいイベントやドメインに対応するためのモデルの一般化性の改善に重点を置いている。 ACEやEREといった標準的なベンチマークデータセットは、40のイベントタイプと25のエンティティ中心の引数ロールをカバーする。
論文参考訳（メタデータ） (2022-05-25T05:46:28Z)
SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文参考訳（メタデータ） (2021-09-24T17:37:35Z)
How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
論文参考訳（メタデータ） (2021-07-26T09:38:28Z)
Tourism Demand Forecasting: An Ensemble Deep Learning Approach [4.516340427736994]
我々は、北京の観光客の到着を予測するために、歴史的観光到着データ、経済変動データ、検索強度指標(SII)データを使用する。提案するB-SAKE手法は, レベル精度, 方向精度, 統計的意義の観点から, ベンチマークモデルより優れている。バッグングと積み重ねオートエンコーダは、観光ビッグデータがもたらす課題を効果的に軽減し、モデルの予測性能を向上させる。
論文参考訳（メタデータ） (2020-02-19T02:23:38Z)

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。