論文の概要: Generative Models Enhanced by Sequence Labelling and Aspect-Code Switching Improve Cross-lingual Aspect-Based Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2608.30425v1
- Date: Mon, 31 Aug 2026 08:21:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.306204
- Title: Generative Models Enhanced by Sequence Labelling and Aspect-Code Switching Improve Cross-lingual Aspect-Based Sentiment Analysis
- Title（参考訳）: 逐次ラベリングとアスペクトコードスイッチングにより強化された生成モデルによる言語間アスペクトベース感性分析の改善
- Abstract要約: 言語横断的なアスペクトベースの感情分析(ABSA)は、注釈付きデータを持つソース言語からターゲット言語に知識を伝達する。
本稿では,言語間ABSAを強化した新しいSeqLabフレームワークを提案する。
我々は11の言語、3つのドメイン、2つのバックボーンモデルに対するアプローチを評価した。
- 参考スコア（独自算出の注目度）: 1.9779500088459443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-lingual aspect-based sentiment analysis (ABSA) transfers knowledge from a source language with annotated data to a target language, enabling fine-grained sentiment analysis without annotated target-language data. While monolingual ABSA has seen significant progress, cross-lingual ABSA remains underexplored, especially for complex tasks involving multiple sentiment elements like target-aspect-sentiment detection (TASD). In this paper, we propose a novel SeqLab framework that enhances cross-lingual ABSA using a sequence-to-sequence model with an auxiliary sequence-labelling task performed by the encoder, enhancing aspect term recognition and sentiment predictions. Additionally, we incorporate aspect-code switching (ACS), a translation-based technique that swaps aspect terms between source and translated sentences, generating additional training data to enhance the model's cross-lingual understanding. We evaluate our approach across eleven languages, three domains, and two backbone models, surpassing previous state-of-the-art results for the commonly studied E2E-ABSA task. Unlike most prior work that relies solely on English as the source language, we systematically assess different source-target language pairs and extend our evaluation to the more challenging, yet underexplored TASD task in cross-lingual settings. Finally, we provide a detailed error analysis highlighting key challenges and limitations.
- Abstract（参考訳）: 言語横断的なアスペクトベース感情分析(ABSA)は、アノテートされたデータを持つソース言語からターゲット言語へ知識を伝達し、アノテートされたターゲット言語データなしで微粒な感情分析を可能にする。
モノリンガルABSAは大きな進歩を遂げているが、特にターゲット・アスペクト・センチメント検出(TASD)のような複数の感情要素を含む複雑なタスクにおいて、言語横断ABSAは未探索のままである。
本稿では,エンコーダによって実行される補助的なシーケンスラベリングタスクを用いたシーケンス・ツー・シーケンス・モデルを用いて,言語間ABSAを強化し,アスペクト項認識と感情予測を強化したSeqLabフレームワークを提案する。
さらに、ソースと翻訳文間のアスペクト項を交換し、モデルの言語間理解を強化するための追加のトレーニングデータを生成する翻訳ベースの手法であるアスペクトコード切替(ACS)を導入する。
提案手法は11言語,3ドメイン,および2つのバックボーンモデルにまたがって評価され,従来のE2E-ABSAタスクの成果を上回った。
ソース言語としての英語のみに依存した従来の作業とは異なり、異なるソースターゲット言語ペアを体系的に評価し、より困難なTASDタスクに拡張する。
最後に、重要な課題と制限を強調した詳細なエラー分析を提供します。
関連論文リスト
- Zero-Shot to Full-Resource: Cross-lingual Transfer Strategies for Aspect-Based Sentiment Analysis [5.745953883559217]
Aspect-based Sentiment Analysis (ABSA)はテキスト内の特定の側面に対するきめ細かい意見を抽出する。
本研究では、7言語にわたる最先端ABSAアプローチの多言語評価を行う。
論文 参考訳（メタデータ） (2026-04-29T12:45:25Z) - Extending Czech Aspect-Based Sentiment Analysis with Opinion Terms: Dataset and LLM Benchmarks [1.9779500088459443]
本稿では、アスペクトベース感情分析(ABSA)のためのレストラン領域における新しいチェコのデータセットを紹介する。
我々は、モノリンガル、クロスリンガル、マルチリンガル設定における大規模言語モデル(LLM)を含む、現代のトランスフォーマーモデルを用いた広範な実験を行う。
詳細なエラー分析では、微妙な意見用語の検出やニュアンスされた感情表現など、重要な課題が明らかにされている。
論文 参考訳（メタデータ） (2026-02-26T08:13:42Z) - Improving Generative Cross-lingual Aspect-Based Sentiment Analysis with Constrained Decoding [0.8602553195689511]
本稿では,シーケンス・ツー・シーケンスモデルを用いた制約付き復号法を提案する。
最も複雑なタスクでは、言語間のパフォーマンスを平均で5%向上させる。
我々は7つの言語と6つのABSAタスクにまたがるアプローチを評価した。
論文 参考訳（メタデータ） (2025-08-14T06:07:53Z) - Cross-lingual Aspect-Based Sentiment Analysis: A Survey on Tasks, Approaches, and Challenges [0.9668407688201359]
アスペクトベースの感情分析(ABSA)は、アスペクトレベルで意見を理解することに焦点を当てた、きめ細かい感情分析タスクである。
ABSAは、リソース豊富な言語(英語など)から低リソース言語への知識の転送を目的としている。
論文 参考訳（メタデータ） (2025-08-13T05:55:53Z) - VECO 2.0: Cross-lingual Language Model Pre-training with
Multi-granularity Contrastive Learning [56.47303426167584]
複数粒度アライメントを持つコントラスト学習に基づく言語間事前学習モデルVECO2.0を提案する。
具体的には、シーケンス・ツー・シーケンスアライメントが誘導され、並列対の類似性を最大化し、非並列対を最小化する。
トークン・ツー・トークンのアライメントは、シソーラス辞書を介して発掘された同義トークンと、バイリンガルな例の他の未使用トークンとのギャップを埋めるために統合される。
論文 参考訳（メタデータ） (2023-04-17T12:23:41Z) - Analyzing the Mono- and Cross-Lingual Pretraining Dynamics of
Multilingual Language Models [73.11488464916668]
本研究では,多言語事前学習プロセスのダイナミクスについて検討する。
我々は,XLM-Rプレトレーニング全体から抽出したチェックポイントを,一連の言語的タスクを用いて探索する。
分析の結果,より複雑なものよりも低レベルな言語スキルが得られ,早期に高い言語性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-05-24T03:35:00Z) - Bridging Cross-Lingual Gaps During Leveraging the Multilingual
Sequence-to-Sequence Pretraining for Text Generation [80.16548523140025]
プレトレインとファインチューンの間のギャップを埋めるために、コードスイッチングの復元タスクを追加して、バニラプレトレイン-ファインチューンパイプラインを拡張します。
提案手法は,言語間文表現距離を狭くし,簡単な計算コストで低周波語翻訳を改善する。
論文 参考訳（メタデータ） (2022-04-16T16:08:38Z) - CL-XABSA: Contrastive Learning for Cross-lingual Aspect-based Sentiment
Analysis [4.60495447017298]
本稿では,言語横断的アスペクトベース知覚分析のためのコントラスト学習フレームワークCL-XABSAを提案する。
具体的には、トークン埋め込み(TL-CTE)のトークンレベルのコントラスト学習とトークン埋め込み(SL-CTE)の感情レベルのコントラスト学習という2つのコントラスト戦略を設計する。
我々のフレームワークは訓練中に複数の言語でデータセットを受信できるので、XABSAタスクだけでなく、マルチリンガルなアスペクトベースの感情分析(MABSA)にも適用できます。
論文 参考訳（メタデータ） (2022-04-02T07:40:03Z) - Delving Deeper into Cross-lingual Visual Question Answering [115.16614806717341]
標準学習装置に簡単な修正を加えることで、モノリンガル英語のパフォーマンスへの移行ギャップを大幅に減らすことができることを示す。
多言語マルチモーダル変換器の多言語間VQAを多言語間VQAで解析する。
論文 参考訳（メタデータ） (2022-02-15T18:22:18Z) - AM2iCo: Evaluating Word Meaning in Context across Low-ResourceLanguages
with Adversarial Examples [51.048234591165155]
本稿では, AM2iCo, Adversarial and Multilingual Meaning in Contextを提案する。
言語間文脈における単語の意味の同一性を理解するために、最先端(SotA)表現モデルを忠実に評価することを目的としている。
その結果、現在のSotAプリトレーニングエンコーダは人間のパフォーマンスにかなり遅れていることが明らかとなった。
論文 参考訳（メタデータ） (2021-04-17T20:23:45Z) - VECO: Variable and Flexible Cross-lingual Pre-training for Language
Understanding and Generation [77.82373082024934]
我々はTransformerエンコーダにクロスアテンションモジュールを挿入し、言語間の相互依存を明確に構築する。
独自の言語でコンテキストにのみ条件付けされたマスク付き単語の予測の退化を効果的に回避することができる。
提案した言語間モデルでは,XTREMEベンチマークのさまざまな言語間理解タスクに対して,最先端の新たな結果が提供される。
論文 参考訳（メタデータ） (2020-10-30T03:41:38Z) - FILTER: An Enhanced Fusion Method for Cross-lingual Language
Understanding [85.29270319872597]
我々は,XLMファインタニングの入力として言語間データを利用する拡張融合法を提案する。
推論中は、ターゲット言語で入力されたテキストとソース言語の翻訳に基づいて予測を行う。
この問題に対処するため,対象言語における翻訳テキストのための自動生成ソフト擬似ラベルに基づくモデル学習のためのKL分割自己学習損失を提案する。
論文 参考訳（メタデータ） (2020-09-10T22:42:15Z)
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。