《Grid Tagging Scheme for Aspect-oriented Fine-grained Opinion Extraction》论文阅读

最新推荐文章于 2025-12-17 18:11:29 发布
原创 最新推荐文章于 2025-12-17 18:11:29 发布 · 666 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#论文阅读 #算法 #机器学习

本文探讨了一种创新的GridTaggingScheme，用于ASTE的情感分析，通过一体化解决OPE和OTE任务。作者构建了基于CNN、BiLSTM和BERT的模型，并详细介绍了标签体系、解码算法、模型结构及训练过程。

文章目录

文章介绍

  为了完成ASTE方面级情感分析任务的三元组提取，很多的方法都通过流水线的方式首先提取方面词或意见词，然后形成方面-意见词对的形式，最后判断情感极性。虽然这样的方法可以充分训练每一个独立的模型，但也不可避免地会受到错误传播的影响。因此作者设计了一个全新的网格化标记方案（ Grid Tagging Scheme，GTS），从而端到端完成该项任务。除此之外，作者分别基于CNN、BiLSTM和BERT实现了三种不同的GTS模型，证明了其框架的有效性。

Grid Tagging Scheme

问题定义

  这里作者是分别介绍了两项任务。首先对于OPE任务，其主要目的为提取方面实体-意见词对的两元组。对与OTE任务，其在OPE任务的基础上进一步提取对应的情感极性。

标注方案

  GTS一共使用4种标签{A, O, P, N}来代表一个词对之间的关系，含义如下所示：
在这里插入图片描述
在这里插入图片描述
  对于OPE二元组任务，标签P代表的是这个词对中一个词来自于方面实体，另一个词来自于意见词。
  对于OTE三元组任务，则会把情感标签P替换成情感极性，所使用的标签集合为{A, O, Pos, Neu, Neg, N}，如下图所示
在这里插入图片描述

最低0.47元/天 解锁文章
jst100
关注
[方面级别情感分析]0x01方面级情感分析笔记
qq_42523037的博客
10-12 2992
情感三元组抽取
【ECCV2020】完整论文集part2
TomRen
07-18 7996
ECCV2020 接收论文完整列表 看论文学CV
Grid Tagging Scheme for Aspect-oriented Fine-grained Opinion Extraction 论文阅读
hello world
04-30 2189
Grid Tagging Scheme for Aspect-oriented Fine-grained Opinion Extraction 摘要 研究目标与科学问题: Aspect-oriented Fine-grained Opinion Extraction (AFOE) 旨在以意见对的形式从评论中提取aspect term和opinion term，或者额外提取aspect term的情感极性形成意见三元组。 现有的方法: 目前两种最先进的管道方法来提取意见对OPE： 共提取（Wang et al
方面级情感分析综述论文&论文+讲解+复现(ABSA)
hello world
04-28 1万+
2022最新方面级别情感分析论文综述:A Survey on Aspect-Based Sentiment Analysis:Tasks, Methods, and Challenges 其中关于ASTE-Data-V2数据集的论文 1.论文地址 1.Towards Generative Aspect-Based Sentiment Analysis ACL2021 2.Learning Span-Level Interactions for Aspect Sentiment Triplet Extra
论文解读：Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Proje
夏栀的博客
06-29 1477
小样本实体识别（Few-shot NER）旨在给定目标domain非常少的标注数据（例如符合 N-way K-shot 规则的support set）的前提下，能够识别出文本中指定类型的所有实体。而通常实体识别是视为一种序列标注（sequence labeling）任务。目前与实体识别相似的任务还有槽位填充（Slot Tagging）。本文介绍ACL2020的一篇工作试图解决基于Few-shot的序列标注问题。...
Position-Aware-Tagging-for-ASTE:EMNLP 2020论文“面向方面情感三元组提取的位置感知标记”的代码和模型
05-22
ASTE的位置识别标记 [EMNLP 2020] 任务描述 方面情感三元组提取（ASTE）是提取目标实体的三元组，它们的相关情感以及解释该情感原因的观点跨度的任务。 （Peng et al。，2020）在AAAI 2020中发表的论文中首次提出了这一任务，该论文 例如： 给定这句话： 屏幕很大，晶莹剔透，色彩和分辨率惊人。 方面情感三元组提取（ASTE）任务的目的是预测三元组： [（'screen'，'large'，'Positive'），（'screen'，'clear'，'Positive'），（'colors，'amazing'，'Positive'），（'resolution'，'amazing '， '积极的'）] 三元组由（目标，观点，情感）组成。 要求 conda创建-n JET python = 3.7 anaconda conda安装pytorch == 1
NER[2] - 文章解读：A Survey on Deep Learning for Named Entity Recognition
ZhuNian的学习乐园
07-13 3386
本文是翻译一篇NER综述原文：A Survey on Deep Learning for Named Entity Recognition 文章链接：https://arxiv.org/abs/1812.09449v3
医学自然语言处理(NLP)相关论文汇总之 EMNLP 2021
qq_39352201的博客
12-24 3081
医学自然语言处理(NLP)相关论文汇总之 EMNLP 2021 【写在前面】EMNLP2021前段时间已经放榜，一直没时间整理，最近抽时间整理了一下该会议在医疗自然语言处理方向上的相关论文，放在这里，希望对大家有一定的帮助吧。还会继续更新，大家有兴趣的话可以持续关注。 更多关于中文医疗自然语言处理的资源和论文汇总，请访问我的GitHub相关主页https://github.com/FutureForMe/Chinese_Medical_Natural_Language_Processing。 文.
探索情感分析新境界：GTS——面向面向方面细粒度意见抽取的网格标注方案
gitblog_00020的博客
09-12 376
探索情感分析新境界：GTS——面向面向方面细粒度意见抽取的网格标注方案 在数字化时代，理解用户的观点和评价成为企业和研究者竞相追逐的关键。GTS（Grid Tagging Scheme），一项由南京大学NLP团队研发的创新技术，为解决面向方面的细粒度意见抽取问题提供了一种革命性的方法。本文将深入探讨GTS的卓越特性、技术实现、应用场景以及其突出优势，带你领略自然语言处理领域的这一璀璨之星。 项目介...
细粒度情感三元组抽取任务及其最新进展
Paper weekly
09-02 4691
©作者|邴立东、彭海韵、许璐、谢耀赓单位|阿里巴巴达摩院自然语言智能实验室研究方向|自然语言处理ABSA 和 ASTE 任务简介情感分析作为自然语言理解里最重要也是最有挑战的...
ciaodvd数据集的简单介绍_EMNLP2020 Findings论文：网格标注——端到端的细粒度观点抽取方案...
weixin_36163101的博客
01-13 667
01—背景介绍与研究动机面向方面的细粒度观点抽取(Aspect-oriented Fine-grainedOpinion Extraction，AFOE)旨在自动地从评论文本中抽取出所有的观点二元组，或者额外地抽取观点二元组表达的情感极性构成观点三元组。在这个任务中，方面项(aspect term)一般指商品的某个方面，用户对其表达了自己的观点；观点项(opinion term)则是文本中用户用来...
请查收！顶会AAAI 2020录用论文之自然语言处理篇
语言智能技术笔记簿
02-23 1万+
2020年人工智能顶级会议AAAI录用的自然语言处理领域的研究论文已为您准备就绪，请查收！
近两年ABSA相关ACL/EMNLP论文列表
qq_43658933的博客
03-29 1094
近两年ABSA相关ACL/EMNLP论文列表 单任务 Aspect Term Extraction (ATE) (ACL2020)Conditional Augmentation for Aspect Term Extraction via Masked Sequence-to-Sequence Generation (EMNLP2020)Enhancing Aspect Term Extraction with Soft Prototypes (EMNLP2021)Progressive Self-Tra
nlp中的实体关系抽取方法总结
热门推荐
zenRRan的博客
07-04 2万+
点击上方，选择星标或置顶，每天给你送干货！阅读大概需要35分钟跟随小博主，每天进步一丢丢来自：知乎地址：https://zhuanlan.zhihu.com/p/77868938作者：J...
tkinter学习——标签grid方法
孰能无惑
04-01 845
一、row和column参数 可以实现表格样式 from tkinter import * window=Tk() window.title("用的grid方法") lab1=Label(window,text="昨天打豆豆", bg="lightyellow", width=30) lab2=Label(window,text="今天打豆豆", bg="lightgreen", width=30) lab3=Lab
Raki的读paper小记：Discontinuous Named Entity Recognition as Maximal Clique Discovery
Raki_J的博客
02-15 1129
Abstract & Introduction & Related Work 研究任务 不连续NER 已有方法和相关工作 基于组合的模型首先检测所有的重叠span，然后学习用单独的分类器来组合这些片段 基于过渡的模型通过一连串的移位-还原动作对不连续的span进行增量标记 面临挑战 现有的方法将其分为几个连续的阶段，在推理阶段模型输出依赖于前面的阶段，将会累计偏差 exposure bias 创新思路 将不连续NER转化为寻找图中最大团的非参数化过程，避免了受到暴露偏差的问题
【AFDM与信号处理：论文阅读】仿射频分复用：扩展OFDM以实现场景灵活性和弹性
最新发布
Cuby的博客
12-17 641
论文《仿射频分复用(AFDM)：扩展OFDM的场景适应性与鲁棒性》探讨了一种新型多载波波形AFDM，旨在解决高速移动场景下的通信挑战。
论文笔记（一百一）Robot Learning from a Physical World Model
xzs1210652636的博客
12-13 895
本文提出PhysWorld框架，通过物理世界建模实现机器人从视频生成中学习。该框架结合视频生成与物理重建：给定单幅图像和任务指令，首先生成任务条件化视频，随后重建其背后的物理世界模型。通过以物体为中心的残差强化学习，将生成视频中的运动转化为符合物理规律的精确动作。这种方法无需真实机器人数据采集，实现零样本可泛化的机器人操控。实验表明，PhysWorld在多种真实任务中显著提升操控精度，优于现有方法。
论文阅读 SAM 3: Segment Anything with Concepts
2502_91183859的博客
12-14 954
数据引擎从带噪声的媒体-短语-掩码伪标签入手，通过人**工和AI验证器检查掩码的质量和完整性，筛选出标记正确的样本，并识别出具有挑战性的错误案例。我们将PCS任务形式化为：以文本和/或图像示例作为输入，预测与该概念匹配的每个对象的实例掩码和语义掩码，同时在视频帧中保持对象的身份一致性）。在获得初始的掩码集（或掩码片段）后，SAM 3允许使用正向和负向点击来优化单个掩码（片段）。具体来说，给定用户的点击，我们应用提示编码器对其进行编码，并将编码后的提示输入到掩码解码器中，以预测调整后的掩码。
面向AST任务的Position-Aware-Tagging代码与模型解读
在给出的文件信息中，有一个压缩包文件名称列表“Position-Aware-Tagging-for-ASTE-master”，说明这个项目的文件结构可能包含以下内容： - **数据文件夹**：存放用于训练和测试的数据集。 - **模型文件夹**：包含...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值