ترغب بنشر مسار تعليمي؟ اضغط هنا

انتقائي الانتباه المستندة إلى الشبكات التفافية لتصنيف المعنويات على مستوى الجانب

Selective Attention Based Graph Convolutional Networks for Aspect-Level Sentiment Classification

491   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

يعمل العمل الحديث على تصنيف المعنويات على مستوى جانب الجساب شبكات اتصالا بيانيا (GCN) على أشجار التبعية لتعلم التفاعلات بين شروط الارتفاع وكلمات الرأي. في بعض الحالات، لا يمكن الوصول إلى كلمات الرأي المقابلة لمصطلح الجانب داخل القفزتين على أشجار التبعية، والتي تتطلب المزيد من طبقات GCN إلى النموذج. ومع ذلك، غالبا ما تحقق GCNS أفضل أداء بطبقتين، ولا تحقق GCNs أعمق أي مكسب إضافي. لذلك، نقوم بتصميم نماذج GCN الانتباه الانتقائية الجديدة. من ناحية، يتيح النموذج المقترح التفاعل المباشر بين شروط الجانب وكلمات السياق عن طريق عملية الانتباه الذاتي دون تحديد المسافة على أشجار التبعية. من ناحية أخرى، تم تصميم إجراء اختيار Top-K لتحديد كلمات الرأي عن طريق تحديد كلمات سياق K مع أعلى درجات الاهتمام. نقوم بإجراء تجارب على عدة مجموعات بيانات معيار شائعة الاستخدام وتظهرت النتائج أن SA-GL-GCN المقترح تفوق نماذج أساسية قوية.



المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

أظهر العمل الأخير على تصنيف المعنويات على مستوى جانب جانب الجسبي فعالية دمج الهياكل النحوية مثل أشجار الاعتمادية مع شبكات عصبية رسم بيانية (GNN)، ولكن هذه الأساليب عادة ما تكون عرضة للخطأ في التحليل. لتحسين الاستفادة من المعلومات الأساسية في مواجهة ا لأخطاء التي لا مفر منها، نقترح تقنية رسم بياني بسيطة ولكنها فعالة، Grapmerge، للاستفادة من التنبؤات من المحللين المختلفين. بدلا من تعيين مجموعة واحدة من المعلمات النموذجية إلى كل شجرة التبعية، نقدم أولا علاقات التبعية من يوزعات مختلفة قبل تطبيق GNNS على الرسم البياني الناتج. يسمح هذا نماذج GNN قوية بتحليل الأخطاء دون أي تكلفة حسابية إضافية، ويساعد على تجنب التغلب على التغلب والتجول من تكديس طبقة GNN عن طريق إدخال المزيد من التوصيلية في الرسم البياني للفرقة. تظهر تجاربنا في مهمة Semeval 2014 Task 4 و ACL 14 Twitter أن نموذج Graphmerge الخاص بنا ليس فقط تفوق النماذج مع شجرة الاعتماد الفردي، ولكن أيضا يدق نماذج فرقة أخرى دون إضافة معلمات النموذج.
يهدف تصنيف المعنويات على مستوى الجانب (ALSC) إلى تحديد قطبية المعنويات من جانب محدد في جملة. ESSC عبارة عن إعداد عملي في تحليل المعنويات المستندة إلى جانب الجسيم بسبب عدم وجود مصطلح الرأي اللازم، لكنه فشل في تفسير سبب اشتقاق قطبية المعنويات للجانب. ل معالجة هذه المشكلة، تعمل الأعمال الحديثة من تشفير المحولات التي تم تدريبها مسبقا على ELSC لاستخراج شجرة التبعية التي تركز على جانب جانب الجوانب التي يمكن أن تحدد كلمات الرأي. ومع ذلك، فإن كلمات الرأي المستحثة توفر فقط جديلة بديهية أقل بكثير من الترجمة الترجمة الشاملة على مستوى الإنسان. بالإضافة إلى ذلك، يميل التشفير المدرب مسبقا إلى استيعاب المشاعر الجوهرية في الجانب، مما تسبب في تحيز المعنويات وبالتالي يؤثر على أداء النموذج. في هذه الورقة، نقترح إطارا لتعليم تمثيل جانبي لمكافحة التحيز. يزيل أولا تحيز المعنويات في الجانب التضمين من خلال التعلم الخصم ضد المعنويات السابقة للجوانب. بعد ذلك، تقوم بمحاطة مرشحي الرأي المقطرين بالجانب من خلال نمذجة التبعية المستندة إلى SPAN لتسليط الضوء على شروط الرأي القابلة للتفسير. إن طريقتنا تحقق أداء جديد لحساب الفن في خمسة معايير، مع إمكانية استخراج الرأي غير المزعوم.
تحظى بشعبية تطبيق النماذج العصبية القائمة على الرسم البياني في دراسات تحليل المعفاة القائمة على الجانب القائم على الجانب (ABSA) لاستخدام علاقات الكلمة من خلال يوزع التبعية لتسهيل المهمة مع التوجيه الدلالي الأفضل لتحليل السياق والكلمات. ومع ذلك، فإن م عظم هذه الدراسات فقط الاستفادة من علاقات التبعية فقط دون النظر لأنواع التبعية، وهي محدودة في عدم وجود آليات فعالة لتمييز العلاقات المهمة وكذلك التعلم من طبقات مختلفة من النماذج القائمة على الرسم البياني. لمعالجة هذه القيود، في هذه الورقة، نقترح نهجا للاستفادة بشكل صريح لأنواع التبعية من أجل ABSA مع الشبكات التنافسية الرسمية من النوع الواجب (T-GCN)، حيث يتم استخدام الاهتمام في T-GCN لتمييز حواف مختلفة (العلاقات) في يقترح الرسم البياني والطبقة اليقظة أن يتعلم بشكل شامل من طبقات مختلفة من T-GCN. يتم إثبات صلاحية وفعالية نهجنا في النتائج التجريبية، حيث يتم تحقيق الأداء الحديثة في مجموعات بيانات قياسية باللغة الإنجليزية. تتم إجراء مزيد من التجارب لتحليل مساهمات كل مكون في نهجنا وتوضيح كيفية مساعدة الطبقات المختلفة في T-GCN ABSA مع التحليل الكمي والنوعي.
يركز تحليل المعنويات المستندة إلى جانب جوانب (ABASA) عادة على استخراج الجوانب والتنبؤ بمشاعرهم على جمل فردية مثل مراجعات العملاء. في الآونة الأخيرة، تلقت منصة أخرى من برنامج تقاسم الرأي، وهي منتدى الإجابة على السؤال (QA)، شعبية متزايدة، التي تتراكم ع دد كبير من آراء المستخدم تجاه الجوانب المختلفة. هذا يحفزنا على التحقيق في مهمة ABASA على منتديات ضمان الجودة (ABASA-QA)، تهدف إلى الكشف بشكل مشترك بين الجوانب التي تمت مناقشتها وأسطابات المشاعر الخاصة بهم لفترة من ضمان الجودة. على عكس جمل المراجعة، يتكون زوج ضمان الجودة من جملتين موازيتين، مما يتطلب نمذجة التفاعل لمحاذاة الجانب المذكور في السؤال وأدائن الرأي المرتبط في الإجابة. تحقيقا لهذه الغاية، نقترح نموذجا بتصميم محدد للنمذجة المتعلقة بالتفاعل عن الجوانب عبر الجملة لمعالجة هذه المهمة. يتم تقييم الطريقة المقترحة على ثلاثة مجموعات بيانات حقيقية، وتظهرت النتائج أن نموذجنا يفوق على العديد من خطوط الأساس القوية المعتمدة من النماذج الحكومية ذات الصلة.
كل من قضايا أوجه القصور في البيانات والاتساق الدلالي مهم لتعزيز البيانات.معظم الطرق السابقة تعالج القضية الأولى، ولكن تجاهل المرحلة الثانية.في حالات تحليل المعنويات المستندة إلى جانب الجسيم، قد يغير انتهاك القضايا المذكورة أعلاه قطبية الجانب والمشاعر .في هذه الورقة، نقترح نهج تكبير بيانات الحفاظ على دلالات - من خلال النظر في أهمية كل كلمة في تسلسل نصي وفقا للجوانب والمشاعر ذات الصلة.ثم نحل محل الرموز غير المهتمات مع استراتيجيتين استبدال دون تغيير قطبية مستوى الجانب.يتم تقييم نهجنا على العديد من مجموعات بيانات تحليل المعنويات المتاحة للجمهور وسيناريوهات التنبؤ في مجال الأسهم / المخاطر في العالم الحقيقي.تظهر النتائج التجريبية أن منهجيةنا تحقق أداء أفضل في جميع مجموعات البيانات.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا