精华内容
下载资源
问答
  • 基于方面的情感分析的句子压缩
  • 基于方面的情感分析,PyTorch实现。 基于方面的情感分析,使用PyTorch实现。 需求 火炬> = 0.4.0 numpy的> = 1.13.3 斯克莱恩 python 3.6 / 3.7 变形金刚 要安装需求,请运行pip install -r requirements.txt 。...
  • 基于方面的情感分析的挑战数据集和有效模型
  • 用pytorch实现了基于方面的情感分析中的一些经典模型,比如atae-lstm、acsa、bilstm_att_g等。 atae_lstm 77.86/65.59 68.34/62.64 acsa_gcae 78.12/65.59 70.85/64.66 bilstm_att_g 76.34/63.65 69.91/63.20 ...
  • 基于方面的情感分析 深度学习课程项目
  • 此存储库包含论文“ EMCLP-IJCNLP 2019, 挑战数据集和基于方面的情感分析的有效模型”的数据和代码。 彩信 MAMS是用于基于方面的情感分析(ABSA)的挑战数据集,其中每个句子包含至少两个具有不同情感极性的方面。...
  • 基于方面的情感分析 基于方面的情感分析任务专注于识别方面类别和文本中的情绪(正面,负面,中性)分类。 基于方面的情感分析的目的是确定针对特定方面表达的情感极性。 该系统基于使用支持向量机(SVM)的监督学习...
  • 我对Liu Bing情感分析和观点挖掘》一书很感兴趣,我已经实现了一个小程序来获取文本各个方面。在我用Hu在我文本中搜索了一系列积极和消极单词,并在感慨词旁边找到了最近名词或人称代词nltk.tokenizer. ...

    我对Liu Bing的《情感分析和观点挖掘》一书很感兴趣,我已经实现了一个小程序来获取文本的各个方面。在

    我用Hu在我的文本中搜索了一系列积极和消极的单词,并在感慨词旁边找到了最近的名词或人称代词nltk.tokenizer. 结果很有趣,但我很难发现否定和上下文。在

    来自亚马逊的例子:"I love spicy ramen, but for whatever reasons this thing burns my stomach badly and the burning sensation doesn't go away for like 3 hours! Not sure if that is healthy or not .... and you can buy this at Walmart for $0.28, way cheaper than Amazon."

    我的程序返回元组列表(“情感词”,“方面”,“情感”)。1表示积极情绪,0表示消极情绪。在[(u'love', u'i', 1),

    (u'love', u'spicy', 1),

    (u'burns', u'thing', 0),

    (u'badly', u'stomach', 0),

    (u'burning', u'stomach', 0),

    (u'sensation', u'stomach', 1),

    (u'healthy', u'healthy', 1),

    (u'cheaper', u'way', 1)]

    这种方法似乎可以捕捉到某些方面,但还远远不够。此外,我还远没有刘的例子(第23页):I bought a Samsung camera and my friends brought a Canon camera

    yesterday. (2) In the past week, we both used the cameras a lot. (3)

    The photos from my Samy are not that great, and the battery life is

    short too. (4) My friend was very happy with his camera and loves its

    picture quality. (5) I want a camera that can take good photos. (6) I

    am going to return it tomorrow

    我真的很想改进,这样我才能正确地捕捉到这些方面和情感。我知道这是一个很普遍的问题,但你能给我推荐一些套餐和读物吗?在

    最好的,非常感谢

    亚历克斯

    展开全文
  • 基于方面的情感分析(ABSA)研究情感的提取及其目标。为了帮助神经网络更好地泛化,为这项任务收集标记数据既费力又耗时。作为一种选择,可以通过在嵌入空间中执行的对抗过程来人工产生与真实世界示例相似的数据。虽然...

    贴一下汇总贴:论文阅读记录

    论文链接:《Adversarial Training for Aspect-Based Sentiment Analysis with BERT》

    一、摘要

    基于方面的情感分析(ABSA)研究情感的提取及其目标。为了帮助神经网络更好地泛化,为这项任务收集标记数据既费力又耗时。作为一种选择,可以通过在嵌入空间中执行的对抗过程来人工产生与真实世界示例相似的数据。虽然这些例子不是真实的句子,但它们已经被证明是一种正则化方法,可以使神经网络更加鲁棒。在这项工作中,我们使用对抗性训练来微调通用BERT和特定领域的后训练BERT。在改进后训练的具有不同超参数的BERT的结果后,我们提出了一种新的BERT对抗训练体系结构,利用对抗训练来完成情感分析中的方面提取和方面情感分类两大任务。该模型在这两项任务上均优于一般的BERT和域内后训练BERT。据我们所知,这是首次在ABSA进行对抗制训练的研究。

    二、结论

    本文介绍了对抗训练在基于方面的情感分析中的应用。实验结果表明,在网络训练过程中,通过使用敌对的例子,通用BERT和域内后训练BERT在特征提取和特征情感分类任务上的性能得到了提高。作为未来的工作,其他白盒对抗攻击以及黑盒攻击将被用于各种情绪分析任务的对抗训练方法的比较。此外,对抗训练在ABSA的其他任务中的影响,即方面类别检测和方面类别极性将被调查。

    三、基于方面的情感分析任务

    • Aspect Extraction 方面提取
      在这里插入图片描述
    • Aspect Sentiment Classification 方面情感分类
      在这里插入图片描述

    BERT Adversarial Training(BAT)

    在这里插入图片描述

    展开全文
  • 基于方面的情感分析(aspect -based sentiment analysis, ABSA)是情感分析(sentiment analysis, SA)中一个具有挑战性的子任务,它旨在识别针对特定方面的细粒度意见极性。本文从方面构造辅助句,将ABSA转化为句子对...

    贴一下汇总贴:论文阅读记录

    论文链接:《Utilizing BERT for Aspect-Based Sentiment Analysis via Constructing Auxiliary Sentence》

    一、摘要

    基于方面的情感分析(aspect -based sentiment analysis, ABSA)是情感分析(sentiment analysis, SA)中一个具有挑战性的子任务,它旨在识别针对特定方面的细粒度意见极性。本文从方面构造辅助句,将ABSA转化为句子对分类任务,如问答(QA)和自然语言推理(NLI)。我们微调了BERT的预训练模型,并在SentiHood和SemEval2014任务4数据集上获得了最新的结果。

    二、结论

    构造了一个辅助句子来将(T)ABSA从单个句子分类任务转化为一个句子对分类任务。在句子对分类任务中,对预先训练的BERT模型进行了微调,得到了最新的结果。对比了单句分类和基于BERT微调的句子对分类的实验结果,分析了句子对分类的优点,验证了转换方法的有效性。

    可能的研究方向:

    • 会将这种转换方法应用到其他类似的任务中。

    三、TABSA

    targeted aspect-based sentiment analysis 基于目标方面的情感分析

    旨在识别针对与给定目标相关联的特定方面的细粒度意见极性。

    • 第一步是确定与每个目标相关联的方面;
    • 第二步是解决各个方面对给定目标的极性。

    四、将TABSA任务转换为句子对任务

    Sentences for QA-M

    • 我们想要从目标方面对生成的句子是一个问题,并且格式需要相同。例如,对于目标方面对(位置1, 安全性)的集合,我们生成的句子是:“你认为位置1的安全性如何?”

    Sentences for NLI-M

    • 对于NLI任务,我们在生成句子时设置的条件不那么严格,形式也简单得多。这时创建的句子不是一个标准句,而是一个简单的伪句,以(location - 1, safety)对为例:助句是:“location - 1 - safety”。

    Sentences for QA-B

    • 对于QA-B,我们加入标签信息,将TABSA暂时转化为一个二元分类问题(标签∈{yes, no}),得到概率分布。此时,每个目标-方向对将生成三个序列,如“位置- 1的方向安全极性为正”、“位置- 1的方向安全极性为负”、“位置- 1的方向安全极性为none”。我们使用yes的概率值作为匹配分数。对于产生三个序列(正、负、无)的目标方面对,我们取匹配得分最高的序列类作为预测类别。

    Sentences for NLI-B

    • NLI-B和QA-B的区别在于助句由疑问句变成了伪句。辅助句有:“location - 1 - safety - positive”、“location - 1 - safety - negative”、“location - 1 - safety - none”。

    也就是说QA生成句子,NLI生成伪句;B则是带标签。

    展开全文
  • 论文笔记整理:余海阳,浙江大学硕士,研究方向为知识图谱、自然语言处理。链接:https://arxiv.org/abs/1911.01616动机基于目标的情感分析或基于方面的情感分析(...

    论文笔记整理:余海阳,浙江大学硕士,研究方向为知识图谱、自然语言处理。



    链接:https://arxiv.org/abs/1911.01616

     

    动机

    基于目标的情感分析或基于方面的情感分析(ABSA)是指在细粒度的层次上解决各种情感分析任务,包括但不限于方面提取、方面情感分类和意见提取。上述单个子任务或两个子任务的组合都有许多求解器,但是以前ABSA的研究都没有完整的解决方案。在本文中,我们介绍了ABSA下的一个新子任务,称为方面情感三元组抽取(ASTE),此任务的求解需要从输入中提取三元组(what,how,why),以显示目标方面是什么,其情感极性如何,以及为什么具有这种极性(即观点的原因)。

    亮点

    我们提出了一个两阶段的框架来解决这个任务。第一阶段预测统一模型中的what、how和why,然后第二阶段将预测的what(how)和why配对。在实验中,我们的框架为这项新颖的方面情感三元组抽取任务设定了基准性能,同时它的性能优于一些采用最新技术的强基准。


    模型框架

    对于给定的句子x,我们的目标是抽取到情感三元组(what,how,why)。我们采用两阶段的训练过程。第一阶段包括2个序列标注子任务,分别用来标注句中的方面、情感提及词和观点词语。第二阶段中我们使用第一阶段标注得到的方面词与观点词配对,使用距离嵌入的方式捕获正确配对的三元组信息。示意图见下图:

    两段训练过程

    具体模型两段阶段示意图如下:

     

    第一阶段:我们首先将句子通过BLSTM编码,之后使用BIESO标注句中方面词边界,训练损失为 。如此训练的隐藏层再经过第二层的BLSTM层以及门控机制标注词方面情感极性词(SC),同时使用边界保证模块(BG)保证对应的边界词正确标注,此时得到的标注为 ;同时整合另一条分之中下情感标注词的特征表示,经过线性变换后softmax层后也可以得到标注 。则最终的统一方面词语标注结果为: ,其中为两者的调和系数,训练损失为 。另一分之中对于观点词语抽取我们使用GCN抽取句子结构信息与经过BLSTM抽取的句子信息拼接一起后经过softmax做情感词语标注(TG),此阶段训练损失为。经过GCN后的编码信息再经过一次BLSTM层做情感词序列标注,此阶段损失为 。最终模型训练损失为:

    第二阶段:从第一阶段得到的方面词和情感词两两组合可以得到所有的情感方面三元组。我们利用方面词和情感词的绝对距离编码为它们之间的位置相对关系信息。再使用二分类判断当前三元组是否正确。示意图可以见表1

    实验

    我们使用SemEval2014数据集,具体实验数据如下表所示:


    我们分别验证了第一阶段和第二阶段的结果,来证明我们每一阶段设计的有效性。每段实验结果如下图所示。

    总结                        

    我们引入情感三元组抽取任务,通过在两个阶段的框架中结合方面提取、方面项情感分类和意见项提取,来回答方面是什么、情感如何以及为什么是这样的感觉。第一阶段通过利用方面和观点术语之间的相互影响,生成具有情感极性和观点术语的候选词语。第二阶段将正确的方面和观点配对。实验验证了我们模型的可行性和有效性,并为此任务设定了基准性能。

     


     

    OpenKG

    开放知识图谱(简称 OpenKG)旨在促进中文知识图谱数据的开放与互联,促进知识图谱和语义技术的普及和广泛应用。

    点击阅读原文,进入 OpenKG 博客。

    展开全文
  • 平台包含了超过2.3亿学术论文/专利和1.36亿学者科技图谱,提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线,吸引了全球220个国家/地区1000多万独立IP访问,数据下载量230万次,...
  • 贴一下汇总贴:论文阅读记录 ...受最近在正式文档上取得成功机器阅读理解(MRC)启发,本文探讨了将客户评论转化为可用于回答用户问题大量知识来源潜力。我们把这个问题称为复习阅读理解(RRC)。据我们
  • 本文旨在展示基于方面的观点挖掘中的情感强度分析。 以前的作品通常关注评论者的情感取向,而忽略了用户在评论中表达的情感强度。 为了弥补这一缺点,提出了两种情感强度评估方法。 在庞大的酒店评价数据集上进行的...
  • 针对方面情感,提出基于方面情感分析的深度分层注意力网络模型。该模型通过区域卷积神经网络保留文本局部特征和不同句子时序关系,利用改进的分层长短期记忆网络(LSTM)获取句子内部和句子间的情感特征。其中,针对...
  • 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...
  • 情感分析旨在分类出文本在不同方面的情感倾向。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...
  • 结合区域卷积神经网络和分层LSTM网络的深度分层模型来解决基于特定方面的情感极性分析问题,挖掘特定方面在整个评论的长距离依赖关系。通过词语层和句子层的分层注意力机制,更加有效的识别出句子中不同方面的情感...
  • 点击上方蓝字关注我们基于分层注意力网络方面情感分析宋婷1,陈战伟2,...针对方面情感,提出基于方面情感分析的深度分层注意力网络模型。该模型通过区域卷积神经网络保留文本局部特征和不同句子时序关系,利用改进...
  • 文本情感分析是指对具有人为主观情感色彩文本材料进行处理、分析和推理过程。文本情感分析主要应用场景是对用户关于某个主题评论文本进行处理和分析。比如,人们在打算去看一部电影之前,通常会去看豆瓣电影...
  • 由于文本中多种情感极性混合而难以判断,方面情感分析成为当前研究热点。考虑到多面句表达时会在一定程度上对不同目标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...
  • 机器学习基于语义特征的情感分析

    千次阅读 2016-07-26 15:34:13
    基于语义特征的情感分析先人已有研究,可以通过情感词典匹配来做,但是应用机器学习在这方面会使精确度更高些。 以本人参与的一个项目为主,总结下相关技术点。
  • 采用基于情感得分加权Sword2vect算法和word2vect词向量算法以及tf_idf特征词向量算法分别对京东手机在线评价以及谭松波酒店评价 这2个数据集进行情感分析,从精确度、时间等方面进行比较。实验结果表明:基于情感...
  • 本文主要研宄图像情感分析特征选取问题。不同于传统目标分类问题,图像情感分类,是更抽象、更高级图像理解,因而特征选取十分具有挑战性。同样,对于检索问题而言,准确图像特征表达是保证其准确率...
  • 论文总结 首先,本文对于 EASA 任务,端到端基于方面的情感分析,设计了一个联合模型,该模型的创新点是将上下文的位置信息和注意力机制应用到 GCN 图卷积网络中。该文提出的模型在三个基准数据集上的实验结果都...
  • 由于用户的态度可能会相互影响,因此仅依靠历史评论的情感价值来预测其未来的情感行为是非常一方面的。 因此,我们提出一种结合情感计算的基于博弈论的情感演化预测算法,该算法将混合纳什均衡策略作为交互用户的...
  • 基于词典中文情感倾向分析算法设计 2014-06-05 11:23:08 By:@小和子 (计算传播学小站编辑)情感倾向可认为是主体对某一客体主观存在内心喜恶,内在评价一种倾向。它由两个方面来衡量:一个情感倾向方向,...
  • 面向双注意力网络特定方面情感分析模型_孙小婉 ...融合位置权重的基于注意力交叉注意力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: 2)交叉注意力: 他们loss函数都使用: ...

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 146
精华内容 58
关键字:

基于方面的情感分析