論文の概要: AnnoABSA: A Web-Based Annotation Tool for Aspect-Based Sentiment Analysis with Retrieval-Augmented Suggestions

• arxiv url: http://arxiv.org/abs/2603.01773v1
• Date: Mon, 02 Mar 2026 11:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.852553
• Title: AnnoABSA: A Web-Based Annotation Tool for Aspect-Based Sentiment Analysis with Retrieval-Augmented Suggestions
• Title（参考訳）: AnnoABSA:Retrieval-Augmented Suggestionsを用いたアスペクトベースの知覚分析のためのWebベースのアノテーションツール
• Authors: Nils Constantin Hellwig, Jakob Fehle, Udo Kruschwitz, Christian Wolff,
• Abstract要約: 我々は、Aspect-Based Sentiment Analysis (ABSA)タスクの全スペクトルをサポートする最初のWebベースのアノテーションツールであるAnnoABSAを紹介した。 ツールは高度にカスタマイズ可能で、感情要素とタスク固有の要件の柔軟な設定を可能にする。
• 参考スコア（独自算出の注目度）: 5.745953883559217
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce AnnoABSA, the first web-based annotation tool to support the full spectrum of Aspect-Based Sentiment Analysis (ABSA) tasks. The tool is highly customizable, enabling flexible configuration of sentiment elements and task-specific requirements. Alongside manual annotation, AnnoABSA provides optional Large Language Model (LLM)-based retrieval-augmented generation (RAG) suggestions that offer context-aware assistance in a human-in-the-loop approach, keeping the human annotator in control. To improve prediction quality over time, the system retrieves the ten most similar examples that are already annotated and adds them as few-shot examples in the prompt, ensuring that suggestions become increasingly accurate as the annotation process progresses. Released as open-source software under the MIT License, AnnoABSA is freely accessible and easily extendable for research and practical applications.
• Abstract（参考訳）: 我々は、Aspect-Based Sentiment Analysis (ABSA)タスクの全スペクトルをサポートする最初のWebベースのアノテーションツールであるAnnoABSAを紹介した。 このツールは高度にカスタマイズ可能で、感情要素とタスク固有の要件の柔軟な設定を可能にする。 手動のアノテーションに加えて、AnnoABSAはオプションのLarge Language Model (LLM)ベースの検索拡張生成(RAG)提案を提供する。 予測品質を時間とともに向上させるために、すでに注釈付けされている10の最も類似した例を検索し、プロンプトで少数ショットの例として追加し、アノテーションプロセスが進むにつれて提案が正確になるようにする。 MIT Licenseの下でオープンソースソフトウェアとしてリリースされているAnnoABSAは、自由にアクセス可能で、研究や実践的なアプリケーションにも容易に拡張できる。

関連論文リスト

• AIANO: Enhancing Information Retrieval with AI-Augmented Annotation [5.257471991948221]
  オフザシェルフツールは、アノテーションプロセスが複雑で非効率になる。 我々はAI拡張アノテーションツールであるAIANOを開発し、人間の専門知識とLLM支援を密に統合した。 AIANOのAI強化アプローチは、情報検索タスクのためのデータセット作成を加速し、強化する。
  論文  参考訳（メタデータ） (2026-02-04T14:05:12Z)
• LATex: Leveraging Attribute-based Text Knowledge for Aerial-Ground Person Re-Identification [78.73711446918814]
  我々は,属性ベースのテキスト知識を活用するために,アクシデントチューニング戦略を採用した,AG-ReIDのためのLATexという新しいフレームワークを提案する。 我々のフレームワークは属性ベースのテキスト知識をフル活用してAGReIDの性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-03-31T04:47:05Z)
• Prompt Optimization with EASE? Efficient Ordering-aware Automated Selection of Exemplars [66.823588073584]
  大規模言語モデル(LLM)は、現実世界のアプリケーションで印象的な機能を示している。 これらの卓越した作品の品質は、パフォーマンスに大きな影響を与えます。 既存の方法は、先行注文がパフォーマンスに与える影響を適切に説明できない。
  論文  参考訳（メタデータ） (2024-05-25T08:23:05Z)
• 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)
• Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
  On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
  論文  参考訳（メタデータ） (2023-10-24T17:54:25Z)
• EASE: An Easily-Customized Annotation System Powered by Efficiency Enhancement Mechanisms [30.01064463095968]
  EASEは、効率向上機構を利用した、カスタマイズが容易なシステムである。 sysnameは、カスタマイズされたインターフェイスを構築するためのモジュール型のアノテーションユニットを提供する。 この結果から,NLP研究者の多様なニーズを満たすことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-23T15:38:37Z)
• Active Learning for Abstractive Text Summarization [50.79416783266641]
  本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。 ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-09T10:33:14Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• Understanding Pre-trained BERT for Aspect-based Sentiment Analysis [71.40586258509394]
  本稿では、アスペクトベース感情分析(ABSA)におけるタスクに対するBERTのレビューから得られた事前学習された隠れ表現について分析する。 アスペクトや意見のアノテーションなしでラベル付けされていないコーパスでトレーニングされた(マスクされた)言語モデルの一般的なプロキシタスクが、ABSAの下流タスクにどのように重要な機能を提供するかは明らかではない。
  論文  参考訳（メタデータ） (2020-10-31T02:21:43Z)
• 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)

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。