論文の概要: SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA)

• arxiv url: http://arxiv.org/abs/2604.07066v1
• Date: Wed, 08 Apr 2026 13:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.547884
• Title: SemEval-2026 Task 3: Dimensional Aspect-Based Sentiment Analysis (DimABSA)
• Title（参考訳）: SemEval-2026 Task 3: 次元アスペクトベース知覚分析(DimABSA)
• Authors: Liang-Chih Yu, Jonas Becker, Shamsuddeen Hassan Muhammad, Idris Abdulmumin, Lung-Hao Lee, Ying-Lung Lin, Jin Wang, Jan Philip Wahle, Terry Ruas, Natalia Loukachevitch, Alexander Panchenko, Ilseyar Alimova, Lilian Wanzare, Nelson Odhiambo, Bela Gipp, Kai-Wei Chang, Saif M. Mohammad,
• Abstract要約: 次元アスペクトベース感性分析(DimABSA)におけるSemEval-2026共有タスクについて述べる。 DimABSAは、カテゴリの極性ラベルを使用するのではなく、VA次元に沿って感情をモデル化することで、従来のABSAを改善している。 ABSAを一般消費者のレビューから公開談話まで拡張するために,DimStance Analysis(DimStance)という新たなタスクを導入する。 DimStanceはスタンスターゲットをアスペクトとして扱い、姿勢検出をVA空間の回帰として再構成する。
• 参考スコア（独自算出の注目度）: 86.42477627274019
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the SemEval-2026 shared task on Dimensional Aspect-Based Sentiment Analysis (DimABSA), which improves traditional ABSA by modeling sentiment along valence-arousal (VA) dimensions rather than using categorical polarity labels. To extend ABSA beyond consumer reviews to public-issue discourse (e.g., political, energy, and climate issues), we introduce an additional task, Dimensional Stance Analysis (DimStance), which treats stance targets as aspects and reformulates stance detection as regression in the VA space. The task consists of two tracks: Track A (DimABSA) and Track B (DimStance). Track A includes three subtasks: (1) dimensional aspect sentiment regression, (2) dimensional aspect sentiment triplet extraction, and (3) dimensional aspect sentiment quadruplet extraction, while Track B includes only the regression subtask for stance targets. We also introduce a continuous F1 (cF1) metric to jointly evaluate structured extraction and VA regression. The task attracted more than 400 participants, resulting in 112 final submissions and 42 system description papers. We report baseline results, discuss top-performing systems, and analyze key design choices to provide insights into dimensional sentiment analysis at the aspect and stance-target levels. All resources are available on our GitHub repository.
• Abstract（参考訳）: 本稿では,DimABSA(DimABSA)におけるSemEval-2026共有タスクについて述べる。 ABSAを消費者のレビューを超えて公的な言論(例えば、政治、エネルギー、気候問題)にまで拡張するために、我々は、姿勢目標を側面として扱い、姿勢検出をVA空間の回帰として改革するDimStance Analysis(DimStance)という追加のタスクを導入する。 トラックA(DimABSA)とトラックB(DimStance)の2つのトラックで構成される。 トラックAは、(1)次元的アスペクト感性回帰、(2)次元的アスペクト感性三重項抽出、(3)次元的アスペクト感性四重項抽出の3つのサブタスクを含む。 また,構造抽出とVA回帰を共同で評価するための連続F1(cF1)指標も導入した。 このタスクには400人以上の参加者が参加し、112のファイナリストと42のシステム記述論文が作成された。 本稿では,ベースラインの結果を報告し,トップパフォーマンスシステムについて議論し,重要な設計選択を分析し,アスペクトとスタンス・ターゲットレベルでの次元的感情分析に関する洞察を提供する。 すべてのリソースはGitHubリポジトリから入手可能です。

関連論文リスト

• AILS-NTUA at SemEval-2026 Task 3: Efficient Dimensional Aspect-Based Sentiment Analysis [13.528308058170479]
  次元アスペクトベース感性分析(DimABSA)に基づくSemEval-2026タスク3のトラックAのためのAILS-NTUAシステムを提案する。 提案手法は,連続的なアスペクトレベルの感情予測のための言語固有バックボーンの微調整と,LoRAを用いた大規模言語モデルの言語固有命令チューニングを併用する。 この統合されたタスク適応型設計は、言語とドメイン間のパラメータ効率の高い特殊化を強調し、強力な有効性を維持しながら、トレーニングと推論の要求を削減できる。
  論文  参考訳（メタデータ） (2026-03-05T08:30:59Z)
• DimABSA: Building Multilingual and Multidomain Datasets for Dimensional Aspect-Based Sentiment Analysis [57.70022214686838]
  DimABSAは、従来のABSA要素とVAスコアの両方に注釈を付けた最初の多言語次元ABSAリソースである。 このリソースには、42,590の文にわたる76,958のアスペクトインスタンスが含まれており、6つの言語と4つのドメインにまたがっている。
  論文  参考訳（メタデータ） (2026-01-30T14:30:35Z)
• OATS: Opinion Aspect Target Sentiment Quadruple Extraction Dataset for Aspect-Based Sentiment Analysis [55.61047894397937]
  アスペクトベースの感情分析(ABSA)は、ユーザ生成レビュー内の異なる要素に特有の感情を理解する。 OATSデータセットは3つの新しいドメインを包含し,27,470の文レベルと17,092のレビューレベルから構成される。 私たちのイニシアチブは、レストランやラップトップのようなよく知られたドメイン、複雑な四重項抽出タスクのための限られたデータ、時には文とレビューレベルの感情の相乗効果の監視といった、特定の観察されたギャップを埋めることを目指しています。
  論文  参考訳（メタデータ） (2023-09-23T07:39:16Z)
• Instruction Tuning for Few-Shot Aspect-Based Sentiment Analysis [72.9124467710526]
  生成的アプローチは、テキストから(1つ以上の)4つの要素を1つのタスクとして抽出するために提案されている。 本稿では,ABSAを解くための統一的なフレームワークと,それに関連するサブタスクを提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:38:57Z)
• Simple Unsupervised Similarity-Based Aspect Extraction [0.9558392439655015]
  アスペクト抽出のための単純なアプローチSUAExを提案する。 SUAExは教師なしであり、単語埋め込みの類似性のみに依存している。 3つの異なる領域のデータセットに対する実験結果から、SUAExは最先端の注目に基づくアプローチをわずかに上回る結果が得られることが示されている。
  論文  参考訳（メタデータ） (2020-08-25T04:58:07Z)

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。