sentiment专题

使用CNN进行情感分析（Sentiment Analysis）

一、情感分析情感分析是自然语言处理中很常见的任务，它的目的是识别出一段文本潜在的情感，是表扬还是批评，是支持还是反对。比如我们可以使用情感分析去分析社媒的评论，从而得到网友对某件事的看法，进一步分析可以得到舆论的趋势。大家都知道特朗普非常喜欢发Twitter，我们可以对推友们评论进行分析，看看他们是在骂特朗普还是在支持特朗普，然后把所有的评论汇总起来就能得到一个大概的特朗普是否能够连任的趋势了

[论文笔记] Dual-Channel Span for Aspect Sentiment Triplet Extraction

一种利用句法依赖和词性相关性信息来过滤噪声（无关跨度）的基于span方法。会议EMNLP 2023作者Pan Li, Ping Li, Kai Zhang团队Southwest Petroleum University论文地址https://aclanthology.org/2023.emnlp-main.17/代码地址https://github.com/bert-ply/Dual_S

UniSA: Unified Generative Framework for Sentiment Analysis

文章目录 UniSA：统一的情感分析生成框架文章信息研究目的研究内容研究方法1.总体架构图2.基准数据集SAEval3.Task-Specific Prompt4.Modal Mask Training5.Pre-training Tasks5.1Mask Context Modeling5.2Sentiment Polarity Prediction5.3Coarse-grained La

《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》笔记

论文题目：《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》首先作者围绕上图总结了下目前细粒度情感分析的一些任务，主要有三个子任务，分别是方面/目标词提取（ATE），意见项提取（OTE），方面/目标项情感分类（ATC），中间层的每个圆圈表示对应的一个直接子任务

Gated Neural Networks for Targeted Sentiment Analysis原文、翻译及代码

论文地址代码地址摘要目标情感分析对给定文本文档中每个目标实体提及的情感极性进行分类。Seminal方法从自动句法解析树中提取人工离散特征，以捕获封闭句对目标实体提及的语义信息。最近，已经证明了不使用句法解析器就可以实现有竞争力的准确度，因为句法解析器在推文等嘈杂的文本上可能非常不准确。这是通过在根据目标实体提及的推文的简单和直观的分割上应用分布式词表示和丰富的神经池函数来实现的。在本文中

Sentiment AI：智能化加密时代的引领者

“或许在不久，通过智能化投资分析工具做投资决策，将成为加密投资者必备的手段，而Sentiment AI 正在加速智能化加密时代大门的开启。” 在加密货币领域中，只有极少一部分人购买加密货币是因为被文化所吸引，绝大多数链上玩家持有、购买、交易加密货币的目的都是在于获利，他们可能长线持有、短期持有甚至在链上衍生品市场中进行套利。作为一种以获利为目的的投资行为，投资者通常需要通过对市场的判断来制定

【论文阅读】Visual Sentiment Prediction Based on Automatic Discovery of Affective Regions

概括本文尝试去解决在情感分析中所遇到的情感分类和可解释性问题。这里的可解释性主要指图片上哪一区域会影响人类视觉对情感的判断。本文解决这个问题的办法是引入了Affective Region (AR)，类似空间注意力的东西。结合流程图，整体的思路和亮点有两个：弱监督找到AR（建立自动寻找AR的模型），用于定位最容易影响人类视觉判断情感的区域，起到辅助情感分类的作用。【也就是下面的红色虚

Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks

Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks 基于情感知识增强图卷积网络的基于方面的情感分析 Abstract 现有的研究大多集中在基于句子依存关系树的上下文词到aspect词的依存关系信息的学习上，缺乏对特定体的语境情感知识的挖掘。在本文中，作者

《Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks》论文阅读

文章目录文章介绍文章模型通过依赖树构建图学习特定方面实体的表示总结文章地址： https://www.sciencedirect.com/science/article/pii/S0950705121009059 文章介绍最近，图卷积神经网络因为其优越的性能（能很好的考虑词语间的依赖）被广泛的应用在自然语言处理任务当中。其一般方式为首先将文本转化为邻接矩阵的形

【论文阅读笔记】Visual Sentiment Prediction Based on AutomaticDiscovery of Affective Regions

主题：视觉情感分析贡献： a）提出了一个深度框架，用于自动发现图像的情感区域，这些区域很可能会引发重要的情绪信息。该框架不依赖于图像中的对象类别，也不需要对边界框注释，比现有方法更加通用。 b）使用CNN构建视觉情感预测模型，该模型利用来自全局图像和局部图像区域的整体和局部信息。实验证明，最终得到的表达特征有助于视觉情感分类，在情感数据集的表现优于前人的方法。 c）实验结果表明，本文提出

IJCNLP2015-Weakly Supervised Models of Aspect-Sentiment for Online Course Discussion Forums阅读笔记

这篇文章的启发主要是aspect和sentiment之间的联系可以设置一些规则实现。 Abstract 大量开放的在线课程 (MOOCs) 正在重新定义教育系统, 超越传统课程所构成的界限。随着在线课程的普及程度的提高, 理解和解释课程参与者的沟通需要相应的增加。在在线课程论坛帖子中确定谈话的主题或内容并推断情绪, 可以使教师干预能够满足学生的需要, 迅速解决与课程相关的问题, 并提高

【Paper List】Multi-modal Few-shot Sentiment Analysis

综述 Multimodal Sentiment Analysis: A Survey of Methods, Trends, and Challenges paper link: https://dl.acm.org/doi/abs/10.1145/3586075 2023 Few-shot Multimodal Sentiment Analysis Based on Multimodal

阅读《 Sentiment Classification Based on Part-of-Speech and Self-Attention Mechanism》

Sentiment Classification Based on Part-of-Speech and Self-Attention Mechanism 2020.1 KEFEI CHENG 1 , YANAN Y 摘要：目前，各种基于注意的神经网络在情感分类任务中取得了成功，因为注意机制能够更多地关注那些对情感极性预测有贡献的词。然而，这些方法的主要缺点是它们只注重词语，而忽略了词性中

《Deep Convolution Neural Networks for Twitter Sentiment Analysis》文献研读

文章目录 ABSTRACTINTRODUCTIONRELATED WORKDEEP CONVOLUTION NEURAL NETWORKS FOR SENTIMENT ANALYSIS（用于情感分析的深度卷积神经网络）FEATURE REPRESENTATION（特征表示）TWEETS PREPROCESSING（推文预处理）DEEP CONVOLUTION NEURAL NETWORKS

读《Multimodal Video Sentiment Analysis Using Deep Learning Approaches, a Survey》

摘要最强大的多模式情感分析的架构任务是多模态多话语的架构，利用所有模式的信息和上下文信息从相邻的话语视频为了分类目标话语。该体系结构主要由两个模块组成，其顺序可能因模型而异。第一个模块是上下文提取模块，用于建模视频中相邻话语之间的上下文关系，并突出哪些相关的上下文话语对预测目标话语的情绪更重要。在最新的模型中，该模块通常是一个基于双向递归神经网络的模块。（intra）第二个模块是一个基于注

Fusion-Extraction Networkfor Multimodal Sentiment Analysis（CCF C类）

本篇文章发表在2020年的Pacific-Asia conference on knowledge discovery and data mining会议，是关于图像和文本情感分类。使用的数据集是来自twitter的MVSA-Single和MVSA-Multiple。本文所提出方法的实验效果达到了当时的SOTA。目录一、文章动机二、本篇文章的贡献三、本文所提出的模型

Enhanced Multi-Channel Graph Convolutional Network for Aspect Sentiment Triplet Extraction论文阅读

Enhanced Multi-Channel Graph Convolutional Network for Aspect Sentiment Triplet Extraction (2022 ACL) 参考博客: https://blog.csdn.net/qq_40887846/article/details/125136661 Enhanced Multi-Channel Graph Co

Enhanced Multi-Channel Graph Convolutional Network for Aspect Sentiment Triplet Extraction(情感三元组提取)

本文为ACL2022收录论文学习笔记，仅供个人学习使用目录任务背景介绍摘要1、介绍2、相关工作3、提出的框架3.1 问题公式化3.2 关系定义和表格填充3.3 三元组解码3.4 EMC-GCN 模型3.4.1 输入层和编码层3.4.2 双仿射注意力模块3.4.3 多通道GCN3.4.4 语言特征3.4.5 关系约束3.4.6 细化策略和预测层 3.5 损失函数 4、实验4.1 数

论文阅读-USSA: A Unified Table Filling Scheme for Structured Sentiment Analysis

论文来自2023ACL，原文： https://aclanthology.org/2023.acl-long.802/ contribution:(来自原文) 1.提出了一种双词法依赖解析图，并将其转换为统一的二维表格填充方案USSA，解决了SSA中重叠和不连续的核心问题。 2.提出了一个有效的模型，与USSA方案很好地合作，利用提出的双轴注意模块，以更好地捕捉表中关系的相关性。我的关

【论文阅读】【基于方面的情感分析】Modelling Context and Syntactical Features for Aspect-based Sentiment Analysis

文章目录 Modelling Context and Syntactical Features for Aspect-based Sentiment Analysis一、该论文关注的是解决ABSA问题的哪个方面？驱动是什么？具体目标是解决什么问题？二、该论文采用的方法是什么，方法的核心原理是什么？三、该方法是如何提出的，是开创性的方法还是对已有方法进行的改进，创新点是什么？四、该论文展示的结

ABSA1: Attentional Encoder Network for Targeted Sentiment Classification

ABSA1: Attentional Encoder Network for Targeted Sentiment Classification 论文标题： Attentional Encoder Network for Targeted Sentiment Classification（点击可下载pdf）论文源码：ABSA模型库（PyTorch版）一、引言以往而言，对于 ABSA 问

Attentional Encoder Network for Targeted Sentiment Classification（2019）

Attentional Encoder Network for Targeted Sentiment Classification（2019）面向的问题：以前的大多数方法都是用RNN和注意力来模拟语境和目标词。然而，RNN很难并行化，并且随时间截断的反向传播给记忆长期模式带来了困难。创新： 1.本文提出了一种避免重复出现的注意编码网络（AEN），并采用基于注意的编码器对上下文和目标进行建

方面级情感分析论文泛09:Attentional Encoder Network for Targeted Sentiment Classification

提示1：原文链接提示2：代码链接文章目录前言一、论文信息二、笔记要点2.1 目前存在的问题2.2 目前解决方法2.3 本文方法和创新点2.4 模型结构2.5 实验结果2.6 总结和展望总结前言本篇博客主要是对《Attentional Encoder Network for Targeted Sentiment Classification》进行了泛读，并对其

论文阅读：Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks

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 and Bidirectional LSTM3.2 Obtaining A

MVP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction

MVP: Multi-view Prompting Improves Aspect Sentiment Tuple Prediction 论文地址: https://arxiv.org/pdf/2305.12627.pdf 论文代码: https://github.com/ZubinGou/multi-view-prompting 个人阅读笔记，如有错误欢迎指正交流 1. 介绍 Mul

【论文阅读】Fusing Audio, Visual and Textual Clues for Sentiment Analysis from Multimodal Content

Motivations 随着社交媒体的普及，用户倾向于用视频来表达他们对产品的看法，因此，单单只对文本进行情感识别已经满足不了现在的智能系统，而且视频数据中可能包含更多的线索，视频中的音频数据表达的是说话者的语气，而视觉数据传递的是面部表情，这反过来有助于理解用户的情感状态。因此作者提出了一种新的多模态情感分析方法，从音频、视觉和文本中提取不同的特征，然后分别采用特征级和决策级两种融合方式来