精华内容
下载资源
问答
  • 在长文本的方面级情感分析中,由于长文本存在一定冗余性和噪声大的问题,导致现有的方面级情感分析方法对于长文本中方面相关信息的特征提取不够充分,分类不精准;在方面分层为粗粒度和细粒度方面的数据集上,现有的...
  • 8月12日(周三)晚上7:30,知识工场实验室联合电子工业出版社博文视点荣幸邀请到武汉大学钱铁云教授,为大家带来一场【面向复杂和低资源环境的方面级情感分析】精彩报告分享! 知识图谱前沿论坛系列直播 第3期 面向...

    8月12日(周三)晚上7:30,知识工场实验室联合电子工业出版社博文视点荣幸邀请到武汉大学 钱铁云 教授,为大家带来一场【面向复杂和低资源环境的方面级情感分析】精彩报告分享!

    知识图谱前沿论坛系列直播 第3期

    面向复杂和低资源环境的方面级情感分析

    8月12日(周三)  19:30

    分享摘要

    随着互联网的快速发展,用户从信息的被动接收者转变为主动提供者,网上产生了大量关于事件、商品、服务等有价值的评论信息,表达了人们的情感倾向极性和观点意见。互联网信息的迅速膨胀,对信息的收集、处理和分析提出更高要求,也促进了情感分析这一研究方向的蓬勃发展。

    方面级情感分析是一种细粒度的分类任务,相较于篇章或句子级情感分类,方面级情感分类能够针对每一个具体的方面给出对应的情感倾向判断,从而提供更加全面深入的分析。本报告将介绍我们团队在方面级情感分析任务上所做的工作,特别是在应对低资源(如少量标注数据、低频方面单词等)和复杂分析任务(观点抽取和情感分类)等挑战方面的相关进展。

    分享核心点

    • 方面级情感分析任务是什么?

    • 对于低频方面单词如何有效识别其情感极性?

    • 仅有少量标注数据时如何提升分类性能?

    • 如何协同完成方面词抽取、情感词抽取、情感分类三个子任务?

    嘉 宾 简 介

    钱铁云

    武汉大学计算机学院教授、博导。主要研究领域为Web挖掘、自然语言处理。

    在ACL、EMNLP、AAAI、SIGIR、CIKM、TOIS、TKDD等顶级国际会议和期刊上发表论文70余篇。担任TKDE、TWEB、TKDD、TASL、INS等杂志审稿人和IJCAI、AAAI、WWW、CIKM、ICDM、APWEB、WAIM等国际学术会议的程序委员会委员,以及数据库、知识图谱、信息检索、社会媒体处理大会等多个重要学术会议的短文、出版、组织或论坛主席。

    相关图书推荐

    ▊《知识图谱:概念与技术》肖仰华 等 编著

    本书力求涵盖知识图谱相关的基本概念与关键技术,总结了十多个知识图谱工程项目的落地经验。

    本书紧密围绕知识图谱开展知识体系的梳理,尽量突出知识图谱与相关学科的差别,尽可能的为大家清晰地界定知识图谱与各分支学科的根本不同。本书注重知识图谱的整个知识体系,从最基础的基本概念、基础理论到设计、技术、模型、方法都做了全面的介绍。


    更多科技资讯请见微信公众号:博文视点Broadview(微信号:bvbooks)

    展开全文
  • Aspect term extraction:提取句子中的情感实体或者说情感对象 Aspect term polarity:在第一个任务基础上,对情感实体进行极性分类(正面、负面、中性等) 举个例子: I hated their fajitas, but their salads ...

    常规任务

    从SemEval-2014 Task 4 发布的对ABSA任务的评测来看,大致细分了4个子任务

    • Aspect term extraction:提取句子中的情感实体或者说情感对象
    • Aspect term polarity:在第一个任务基础上,对情感实体进行极性分类(正面、负面、中性等)

    举个例子:

    I hated their fajitas, but their salads were great → {fajitas: negative, salads: positive}
    fajitas, salads是情感实体,后面对应的就是情感极性

    • Aspect category detection:预先会定义一组类别的集合如{food, service, price, ambience, anecdotes/miscellaneous},然后判别这个句子中包含了哪些类别
    • Aspect category polarity:该任务是在上一个任务的基础上,已经预先确定了句子的 aspect 类别,需要做的工作就是确定 aspect 类别对应的情感极性

    举个例子:
    The restaurant was too expensive → {price: negative}
    The restaurant was expensive, but the menu was great → {price: negative, food: positive}

    待续。。。。

    展开全文
  • 面向双注意力网络的特定方面情感分析模型_孙小婉 双注意力网络 (都用了多头注意力): 1)上下文自注意力 2)特定方面注意力 融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型_武婷 1)在词向量...

    ps:真的不能方便地调整图片大小吗?(截图直接粘上来的)
    找了一下也没找到方法…有人知道拜托告知…感谢!

    面向双注意力网络的特定方面情感分析模型_孙小婉

    双注意力网络 (都用了多头注意力):
    1)上下文自注意力
    2)特定方面注意力
    在这里插入图片描述

    融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型_武婷

    1)在词向量表示中加入位置权重:
    在这里插入图片描述
    2)交叉注意力:
    借鉴的是AOA:CUI Y, CHEN Z, WEI S, et al. Attention-over-attention neural networks for reading comprehension [C]/ / Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: Association for Computational Linguistics, 2017: 593 - 602.
    在这里插入图片描述
    在这里插入图片描述

    他们的loss函数都使用:
    在这里插入图片描述

    展开全文
  • 对评论文本所表达的观点进行自动获取的情感分析技术,通过对文本中的观点、情感、评价和态度进行计算,实现自动化情感识别,为用户获取观点信息带来便利。   文本情感分析,也称为观点挖掘(Opinion Mining),是...

      随着信息技术快速发展,在互联网上发表评论已成为人们表达观点传递经验的重要途径。与此同时,互联网评论文本也成为人们寻找决策参考信息的重要来源。然而,信息爆炸式增长使得从中获取有用信息的难度加大。对评论文本所表达的观点进行自动获取的情感分析技术,通过对文本中的观点、情感、评价和态度进行计算,实现自动化情感识别,为用户获取观点信息带来便利。

      文本情感分析,也称为观点挖掘(Opinion Mining),是针对人们对实体(包括产品、服务、组织、个人、议题、事件、话题及他们的属性等)表达的观点、评价、态度和情感进行计算的研究。它涉及了很多细分方向,名称很多,例如观点提取、情感挖掘、主观性分析,情感计算、情绪分析和评论挖掘等。虽然这些任务略有不同,但都属于情感分析的范畴。自2000年初以来,情感分析逐渐成了自然语言处理(Natural Language Processing,NLP)领域的一个重要研究方向。

      国际语义评测(International Workshop on Semantic Evaluation,SemEval)和国际自然语言处理与中文计算会议(International conference on Natural Language Processing and Chinese Computing,NLPCC)分别自2007和2012年起多次组织情感分析的评测任务,发布了一系列基准数据集,吸引大量研究机构和学者参与(统计情况如下表所示)。
    在这里插入图片描述
      文本情感分析可以按分析粒度分为篇章级情感分析句子级情感分析方面级情感分析。早期阶段,篇章级和句子级情感分析任务是研究的重点。它们假设一段文本只有一种情感,并对给定文本进行分析并判断其整体的情感极性是正面、负面或者中性等。篇章级和句子级情感分析的方法仅仅是处理对象文本的长度的差异。目前,针对文本整体进行情感分析的研究技术已经相对成熟,达到了较好的性能。然而,对文本进行整体情感分析会掩盖其细节,且整体情感并不能反映人们对意见目标的、细粒度的情感表达。如果只关注整体情感而忽略具体细节,可能会在推荐系统、问答系统等现实应用中计算出有误的结果。因此,为了进行更完整的情感分析,系统需要发现文本评论的各个方面对象,并确定文本针对每个方面所表达的情感信息,这就是方面级情感分析技术。

      与篇章级和句子级情感分析相比,方面级情感分析研究面临了新问题。一方面,方面级情感分析需要获取文本中的评价对象方面信息。评价对象方面可能显式的出现在文本中,也可能隐式的包含在文本语义中。因为方面的形式和数量都不确定,所以方面级情感分析技术不仅要对显式的语言表达结构进行分析,还要对隐式的语义表达进行深层理解。另一方面,方面级情感分析需要为每个评价对象确定对其表达情感的上下文范围。自然语言不但表达连贯、用语灵活,指代词等表达方式也非常普遍。方面级情感分析技术需要正确理解了文本词语级和句子级的语义信息,才能正确地界定对各个评价对象方面进行情感表达的上下文范围。解决上述问题需要更强大的NLP技术。

      2000年初,Hu等[1]首次建立了基于规则的细粒度情感分析模型,命名为基于特征的观点摘要(Feature-based Opinion Summarization),受到学术界关注,带动了该领域技术方法的发展。2010年,Thet等[2]明确提出了方面级情感分析(Aspect Based Sentiment Analysis,ABSA)的概念,并定义评论对象“方面”为实体的属性或实体的组成部分。2012年,Liu[3]进一步形式化地给出了观点的定义,为方面级情感分析研究指明了方向。接下来,国际语义评测SemEval从2014年起连续三年将ABSA任务作为其子任务,梳理了四个子任务,提供了一系列人工标注的基准数据集[4-6]。近年来,基于深度学习技术的方面级情感分析研究蓬勃发展,取得了突破性进展。

    在这里插入图片描述
    下面根据Liu[3]和SemEval评测会议[4]的阐述,梳理本文涉及的基本概念。

    定义1观点(Opinion):观点对象包含五个元素:(表达者,实体,方面,时间,情感)。其中,表达者是观点表达的主体;实体是主体评价的客体;方面是实体的一个方面;情感一般包括正面、负面和中立等;时间是发表观点的时间。

    定义2实体(Entity):实体是评论的目标,这个目标可以是产品、服务、话题、时间、人物、组织或事件等。方面级情感分析研究中的每个观点都有一个目标实体,可以是被评价的实体本身,也可以是实体的一部分、一个模块或相关实体。

    定义3方面(Aspect):方面是评论的对象实体属性(如在餐厅评论中,一个方面可以是食品的价格,质量等)。方面是一个较高层次的概念,相对于评论文本包含的词汇,方面概念集合规模很小。

      早期研究将评论中的方面信息划分为两类:显式方面与隐式方面显式方面是指在评论文本中显式出现的评价对象方面表述,隐式方面则是暗含在评论文本语义中的评论对象。2014年,SemEval将方面级情感分析任务的方面对象分为方面术语方面类别。方面术语是显式方面表述,方面类别则为方面表述不显示出现在评论文本的情况提供了获取方面信息的解决思路。SemEval提供的基准数据集,由人工标注了评论文本中的方面术语、方面类别和情感极性信息,相关定义如下。

    定义4方面术语(Aspect Terms):方面术语是出现在评论文本中的词语序列,是评论对象实体方面的表述信息,通常有较大的词汇量。方面术语可以是一个词也可以由多个词连接组成。

    定义5方面类别(Aspect Category):方面类别由评价对象实体及其属性组合而成。

    定义6情感极性(Sentiment Polarity):情感极性是指评论文本中表达的正面(positive)、负面(negative)、中性(neutral)或者冲突(conflict)的情感。其中,冲突(conflict)是指评论文本对评价对象既表示了正面情感又表达了负面情感。

    <sentence id="35390182#756337#5">
       <text>Try the rose roll (not on menu).</text>
       <aspectTerms>
          <aspectTerm term="rose roll" polarity="positive" from="8" to="17"/>
          <aspectTerm term="menu" polarity="neutral" from="26" to="30"/>
       </aspectTerms>
       <aspectCategories>
          <aspectCategory category="food" polarity="positive"/>
       </aspectCategories>
    </sentence>
    

    方面级情感分析任务的目标是找到评价目标方面信息及其对应的情感极性。根据定义4定义5,方面信息可以是从实际的评论文本中提取方面术语,也可以是预定义的方面类别。因此,方面级情感分析可划分为方面术语抽取(Aspect Term Extraction,ATE)方面类别检测(Aspect Category Detection,ACD)方面术语极性分类(Aspect Term Polarity,ATP)方面类别极性分类(Aspect Category Polarity,ACP)四个核心子任务。

    在这里插入图片描述
      从研究框架上,该领域研究可分为无监督学习半监督学习有监督学习。目前,多数研究针对方面术语抽取、方面类别检测、方面术语情感分类和方面极性情感分类四个子任务之一进行技术研究,只有少量研究构建了多个子任务的联合模型。

    方面术语抽取旨在从无结构的文本中抽取出其中包含的所有方面术语。值得注意的是,该子任务不仅要识别出表达了情感色彩的方面术语,还要识别没有表达情感的或情感为中性的方面术语。已有的方面术语抽取技术可以分为无监督、弱监督和有监督三类。其中,无监督模型基于频繁模式挖掘、句法规则、话题模型和深度学习等方法。弱监督模型基于词对齐、标签传播等方法。有监督模型将方面术语抽取任务视为词语级的序列标注问题,早期基于传统特征工程方法训练序列标注分类器。近年来基于深度学习的序列标注模型达到了目前方面术语抽取任务的最佳性能。

    方面类别检测是根据一组预定义的方面类别,找出评论文本所有观点评价的方面类别。一个评论文本可以评价一个或多个方面类别,因此该任务是文本多标签分类任务的特例。早期一些研究基于话题模型实现了无监督的方面目标分类,但这些方面类别尚未遵循“实体#属性”的定义。近年来,SemEval评测会议发布方面类别检测任务基准数据集促进了基于深度学习的有监督模型和半监督模型的研究。

    方面术语极性分类和方面类别极性分类分别对方面术语和方面类别确定评论文本对其表达的情感极性信息,本文统称为方面级极性分类。早期细粒度情感分类模型通常基于情感词典和人工规则等实现无监督的极性分类。随着,人工标注数据的发布,有监督的方面级极性分类成为了研究的主流方向。方面级极性分类是文本分类任务的特例,但有自身细节特点,即方面级极性分类需要判断文本语义特征是否与方面目标相关。随着深度学习技术的发展,基于传统特征工程的方法已逐步被深度神经网络的方法超越和取代。近年来,研究者利用注意力机制对评论文本和评价对象方面的依赖关系建模,并根据相关性捕捉关键信息,相对弱化不重要信息,来指导极性分类,使得方面级极性分类任务取得了突破性进展。

      一些研究尝试建立子任务联合模型。早期基于话题模型的方面术语抽取模型自动的按照话题将方面术语归类。近期,研究者尝试在序列标注模型的框架下,采用联合标注或者统一标注的方式,同时进行方面术语抽取和方面术语极性分类任务。

    [1] 、M.Hu and B. Liu. Mining and summarizing customer reviews. in Proceedings of the ACM {SIGKDD} International Conference on Knowledge Discovery and Data Mining.(2004).
    [2]、T.T. Thet, J.-C. Na and C.S.G. Khoo, Aspect-based sentiment analysis of movie reviews on discussion boards. Journal of Information Science. 36(6), 823-848. (2010).
    [3] 、B. Liu, Sentiment analysis and opinion mining. Synthesis Lectures on Human Language Technologies. (2012).
    [4]、M. Pontiki, D. Galanis, J. Pavlopoulos, H. Papageorgiou, I. Androutsopoulos,and S. Manandhar. Semeval-2014 task 4: Aspect based sentiment analysis. in Proceedings of the 8th International Workshop on Semantic Evaluation(SemEval-2014). (2014).
    [5]、M. Pontiki, D. Galanis, H. Papageorgiou, S. Manandhar, and I. Androutsopoulos.Semeval-2015 task 12: Aspect based sentiment analysis. in Proceedings of the9th International Workshop on Semantic Evaluation (SemEval-2015). (2015).
    [6]、M. Pontiki, D. Galanis, H. Papageorgiou, I. Androutsopoulos, S. Manandhar, M.Alsmadi, M. Alayyoub, Y. Zhao, B. Qin, O. De Clercq, and others. Semeval-2016 task 5: Aspect based sentiment analysis. in Proceedings of the 10thInternational Workshop on Semantic Evaluation (SemEval-2016). (2016).

    文章链接:
    综述:方面级情感分析(一)Aspect Based Sentiment Analysis
    综述:方面级情感分析(二)Aspect Based Sentiment Analysis
    综述:方面级情感分析(三)Aspect Based Sentiment Analysis

    展开全文
  • ©PaperWeekly 原创 ·作者|张咪学校|武汉大学硕士生研究方向|情感分析、信息抽取等本文介绍一篇发表于 EMNLP 2020 的论文《Convolution over Hie...
  • AT-LSTM, ATAE-LSTM WANG Y, HUANG M, ZHAP L, et al. Attention-based LSTM for aspect-level sentiment classification [C]/ / Proceedings of the 2016 Conference on Empirical Methods in Natural Language Pro...
  • 由于文本中多种情感极性混合而难以判断,方面级情感分析成为当前研究的热点。考虑到多面句表达时会在一定程度上对不同目标的多重情感造成特征重叠,进而影响文本情感分类效果,提出一种基于胶囊网络的方面级情感分类...
  • 属性级情感分析数据集及模型设计

    千次阅读 2020-10-09 11:38:22
    属性级情感分析(Aspect-basedsentiment analysis:ABSA)通过分析对于某一实体的某一属性的描述,得出评论者对于该属性的情感倾向。例如句子:The decor is not special atall but their amazing food makes up for ...
  • 情感分析入门总结

    千次阅读 2019-09-02 11:35:07
    情感分析情感分析的层次...现今的情感分析,研究人员主要从文档级、句子级和方面级(aspect level,也有论文称为target)这三个层次粒度对情感分析进行了研究。 现阶段,我认为句子级和方面级的研究多于文档级 情感...
  • 介绍目录1、观点挖掘1.1、观点挖掘的概念1.2、观点挖掘和情感分析的区别与联系2、方面级观点挖掘的流程2.1、方面发现2.1.1、显示方面发现2.1.2、隐式方面发现2.2、方面级情感分析2.2.1、方面级情感分析思路2.2.2、...
  • 摘要:本篇文章主要介绍了情感分析的一些基本任务,包括文本、语音、图像还有生成...Ø 属性级情感分析 Ø 观点四元组分析 Ø 总结 情感分析介绍 首先介绍一下文本情感分析的一个基本概念。情感分析,它主要是...
  • 情感分类 定义 ...方面级情感分析主要有以下几个任务: aspect term extraction(方面项提取,方面项指的是表达情感的实体) aspect term sentiment classification(方面项的情感分类) aspect cat
  • 基于Aspect的情感分析模型总结(一) 基于Aspect的情感分析模型总结(二) 1、区分概念context,target,aspect context指的是句子中的words,target指的是句子中出现的词,aspect可以是句子中未出现的词,属于...
  • 自然语言处理前沿研究之情感分析 情感分析综述   文本情感分析:又称意见挖掘、倾向性分析等。...  从分析的粒度上,情感分析可以分为文章(document level)、句子(sentence level)和单词(word l
  • 本文主要研宄图像情感分析中的特征选取问题。不同于传统的目标分类问题,图像情感分类,是更抽象、更高级的图像理解,因而特征的选取十分具有挑战性。同样,对于检索问题而言,准确的图像特征表达是保证其准确率的...
  • 任福继主要进行信号与信息处理方面的研究,受聘于北京邮电大学[1]。 多语言多媒体多功能实验室主任、AIA国际高度信息化研究所所长、日本AGI公司最高顾问、日本AITS公司最高顾问、PTOPA公司技术顾问、中国科学...
  • 本系列文章主要针对方面级分类,该项任务的本质仍然是分类任务,但不同于一般的文本分类和情感分析任务,其还涉及对aspect word或者target word的信息提取。 本系列文章主要针对方面级分类(aspect-level sentiment ...
  • 近日,OpenAI 在其一篇题为《Block-...根据已选的稀疏性,这些内核可以比 cuBLAS 或 cuSPARSE 运行快几个数量,并在文本情感分析与文本、图像生成建模方面取得了当前最优结果。机器之心对博文进行了编译,GitHub 链
  • 大概的调研情况如下: ...去年的主办方邀请了国家电网、蚂蚁金服、搜狗这种重量的企业,可以体会到比赛坚强的后盾和企业对于这个比赛的巨大期望。最后,在比赛的规模与影响力方面,这个比赛用了仅...
  • 系列文章之二:attention-based ...来源:EMNLP2016(可从前言文章中可看出,很多关于方面级的文章都是来自于这一期刊。)问题:aspect level sentiment classification 一、aspect level情感分析 Explain: 给定...
  • SemEval-2014 Task 4数据集 细粒度情感分析,方面级情感分析数据集,包括Restaurants和Laptops两部分
  • Code link: Source:2019 ACL ...ACL会议是自然语言处理领域NLP的顶会,覆盖了语言分析,信息抽取,信息检索,自动问答,情感分析和观点挖掘,文摘和文本生成,文本分类和挖掘,面向Web2.0的自然语言...
  • 《Aspect-Level Sentiment Analysis Via Convolution over Dependency Tree基于依赖树卷积的方面级情感分析》阅读笔记 1.摘要 提出了一种基于依赖树卷积的方面级情感分析方法,以往的模型都是集中在利用神经网络的...
  • Multi-Modal Sarcasm Detection 图文反讽识别 题目:Multi-Modal Sarcasm Detection in Twitter with Hierarchical Fusion 发表会议/期刊: ACL2019 主要相关: 方面级情感分析+图文
  • 这篇文章采用两部分进行方面级情感分析,一个部分用来寻找 EA对;一个用来进行情感极性的分析 1、aspect model 两层神经网络,全连接+softmax ,最后的输出是19种方面的概率分布值。在进行实验前,先做的处理是对...
  • 本文是关于方面级情感分析的一篇论文,于2019年发表在EMNLP上,下面是对这篇论文的详细介绍。 文章目录1 Introduction2 Graph Convolutional Networks3 Aspect-specific Graph Convolutional Network3.1 Embedding ...
  • 模糊认知图(Fuzzy Cognitive Map,FCM)作为一种图分析方法已在数据分类方面得到应用,为了提高其在语音情感识别中的分类精度,提出了融合FCM的方法。其中包括特征融合和决策融合两种方式。详细分析了这两种...
  • 另一方面,尽管由于深度神经网络具有将稀疏的低级特征转换为密集的高级特征的能力,因此已被证明对语音识别和图像分析任务有效,但它们在情感分类上的有效性仍需进一步研究。 本文报道的工作的主要贡献是开发了一种...

空空如也

空空如也

1 2 3
收藏数 45
精华内容 18
关键字:

方面级情感分析