دعابة: نحو تحليل المعنويات والاعتراف الفعال في الجسيم

يهدف تحليل المعنويات إلى اكتشاف المشاعر الإجمالية، أي قطبية أو قطبية جملة أو فقرة أو نصية، دون النظر في الكيانات المذكورة وجوانبها. يهدف تحليل المعنويات القائم على الجانب إلى استخراج جوانب الكيانات المستهدفة المعينة مشاعرهم. يعمل بشكل مسبق على صياغة هذه المشكلة بمثابة مشكلة في العلامات أو حل هذه المهمة باستخدام إطار المستخلص المستخرج ثم يستند إلى الفحص حيث يتم استخراج كل أهداف الرأي الأولى من الجملة، ثم بمساعدة تمثيل تمثيل، يتم تصنيف الأهداف على أنها إيجابية، سلبية، أو محايدة. تعاني مشكلة وضع العلامات على التسلسل من مشكلات مثل عدم تناسق المعنويات ومساحة البحث الهائل. في حين أن إطار المستخلصات المستخلصات القائم على الفستان يعاني من قضايا مثل تغطية نصف كلمة وإيواء متداخلة. للتغلب على هذا، نقترح إطار عمل مستخلص مستخلص مقرا له على أساسه مع رواية ومثبتة محسنة. تجارب في مجموعات البيانات القياسية الثلاثة (Restaurant14، Laptop14، Restaurant15) تظهر نموذجنا يتفوق باستمرار على الحالة الحالية من بين الفن. علاوة على ذلك، نقدم أيضا مراجعات أفلام مختلفة للإشراف على مجموعة بيانات (Movie20) ومراجعات فيلم Pseudo-Latceed DataSet (Movieslarge) صراحة لهذه المهمة والإبلاغ عن النتائج على مجموعة بيانات Movie20 الجديدة أيضا.

Sentiment analysis aims to detect the overall sentiment, i.e., the polarity of a sentence, paragraph, or text span, without considering the entities mentioned and their aspects. Aspect-based sentiment analysis aims to extract the aspects of the given target entities and their respective sentiments. Prior works formulate this as a sequence tagging problem or solve this task using a span-based extract-then-classify framework where first all the opinion targets are extracted from the sentence, and then with the help of span representations, the targets are classified as positive, negative, or neutral. The sequence tagging problem suffers from issues like sentiment inconsistency and colossal search space. Whereas, Span-based extract-then-classify framework suffers from issues such as half-word coverage and overlapping spans. To overcome this, we propose a similar span-based extract-then-classify framework with a novel and improved heuristic. Experiments on the three benchmark datasets (Restaurant14, Laptop14, Restaurant15) show our model consistently outperforms the current state-of-the-art. Moreover, we also present a novel supervised movie reviews dataset (Movie20) and a pseudo-labeled movie reviews dataset (moviesLarge) made explicitly for this task and report the results on the novel Movie20 dataset as well.