論文の概要: EmoGRACE: Aspect-based emotion analysis for social media data

• arxiv url: http://arxiv.org/abs/2503.15133v1
• Date: Wed, 19 Mar 2025 11:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-20 15:24:10.334641
• Title: EmoGRACE: Aspect-based emotion analysis for social media data
• Title（参考訳）: EmoGRACE:ソーシャルメディアデータに対するアスペクトベースの感情分析
• Authors: Christina Zorenböhmer, Sebastian Schmidt, Bernd Resch,
• Abstract要約: 本稿では,2,621の英語つぶやきからなるABEAトレーニングデータセットを作成した。 その結果得られたデータセットには、Anger、Sadness、Happiness、Fear、Noneクラスのためのアスペクトレベルの感情ラベルが含まれていた。 F1スコアが70.1%, ATEが46.9%, AECが46.9%であった。
• 参考スコア（独自算出の注目度）: 0.25602836891933073
• License:
• Abstract: While sentiment analysis has advanced from sentence to aspect-level, i.e., the identification of concrete terms related to a sentiment, the equivalent field of Aspect-based Emotion Analysis (ABEA) is faced with dataset bottlenecks and the increased complexity of emotion classes in contrast to binary sentiments. This paper addresses these gaps, by generating a first ABEA training dataset, consisting of 2,621 English Tweets, and fine-tuning a BERT-based model for the ABEA sub-tasks of Aspect Term Extraction (ATE) and Aspect Emotion Classification (AEC). The dataset annotation process was based on the hierarchical emotion theory by Shaver et al. [1] and made use of group annotation and majority voting strategies to facilitate label consistency. The resulting dataset contained aspect-level emotion labels for Anger, Sadness, Happiness, Fear, and a None class. Using the new ABEA training dataset, the state-of-the-art ABSA model GRACE by Luo et al. [2] was fine-tuned for ABEA. The results reflected a performance plateau at an F1-score of 70.1% for ATE and 46.9% for joint ATE and AEC extraction. The limiting factors for model performance were broadly identified as the small training dataset size coupled with the increased task complexity, causing model overfitting and limited abilities to generalize well on new data.
• Abstract（参考訳）: 感情分析は、感情に関する具体的な用語の特定など、文章からアスペクトレベルへと進歩してきたが、アスペクトベースの感情分析(AABEA)の同等分野は、二分感情とは対照的に、データセットのボトルネックと感情クラスの複雑さの増大に直面している。 本稿では,2,621の英語ツイートからなる最初のABEAトレーニングデータセットを生成し,ABEAサブタスクのAspect Term extract(ATE)とAspect Emotion Classification(AEC)のためのBERTベースモデルを微調整することによって,これらのギャップに対処する。 データセットアノテーションプロセスは、Shaverらによる階層的感情理論に基づいており、グループアノテーションと多数決戦略を利用してラベルの一貫性を高めた。 その結果得られたデータセットには、Anger、Sadness、Happiness、Fear、Noneクラスのためのアスペクトレベルの感情ラベルが含まれていた。 新しいABEAトレーニングデータセットを使用して、Luoらによる最先端のABSAモデルGRACEをABEA向けに微調整した。 F1スコアが70.1%, ATEが46.9%, AECが46.9%であった。 モデル性能の制限要因は、タスクの複雑さの増加と相まって、小さなトレーニングデータセットサイズとして広く特定され、モデルの過度なオーバーフィットと、新しいデータに対してうまく一般化する能力が制限された。

関連論文リスト

• Deep Content Understanding Toward Entity and Aspect Target Sentiment Analysis on Foundation Models [0.8602553195689513]
  Entity-Aspect Sentiment Triplet extract (EASTE)は、Aspect-Based Sentiment Analysisタスクである。 本研究は,EASTEタスクにおける高性能化を目標とし,モデルサイズ,タイプ,適応技術がタスクパフォーマンスに与える影響について検討する。 最終的には、複雑な感情分析における詳細な洞察と最先端の成果を提供する。
  論文  参考訳（メタデータ） (2024-07-04T16:48:14Z)
• A Hybrid Approach To Aspect Based Sentiment Analysis Using Transfer Learning [3.30307212568497]
  本稿では,移動学習を用いたアスペクトベース感性分析のためのハイブリッド手法を提案する。 このアプローチは、大きな言語モデル(LLM)と従来の構文的依存関係の両方の長所を利用して、弱い教師付きアノテーションを生成することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-03-25T23:02:33Z)
• Exploiting Contextual Target Attributes for Target Sentiment Classification [53.30511968323911]
  TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。 我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
  論文  参考訳（メタデータ） (2023-12-21T11:45:28Z)
• Aspect-Based Sentiment Analysis using Local Context Focus Mechanism with DeBERTa [23.00810941211685]
  Aspect-Based Sentiment Analysis (ABSA)は、感情分析の分野におけるきめ細かいタスクである。 アスペクトベース感性分析問題を解決するための最近のDeBERTaモデル
  論文  参考訳（メタデータ） (2022-07-06T03:50:31Z)
• 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)
• QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query Attribute Value Extraction [57.56700153507383]
  本稿では,QUEACOというEコマース検索におけるクエリ属性値の統一抽出システムを提案する。 NER フェーズでは、QUEACO は教師-学生ネットワークを採用し、強くラベル付けされたデータに基づいてトレーニングされた教師ネットワークが擬似ラベルを生成する。 AVN フェーズでは、弱いラベル付けされたクエリ・ツー・アトリビュート・ビヘイビア・データを利用して、クエリーから表層属性値の正規化を行い、製品から標準形式へと変換する。
  論文  参考訳（メタデータ） (2021-08-19T03:24:23Z)
• 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)
• Improving BERT Performance for Aspect-Based Sentiment Analysis [3.5493798890908104]
  Aspect-Based Sentiment Analysis (ABSA)は、市場製品に関する消費者の意見を調査する。 製品レビューで表現された感情のタイプだけでなく、感情のタイプも調査する。 本稿では,提案モデルを適用することで,BERTモデルのさらなるトレーニングの必要性がなくなることを示す。
  論文  参考訳（メタデータ） (2020-10-22T13:52:18Z)
• 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)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。