基于双记忆交互网络的领域自适应方面词提取方法

扫码查看

原文链接

万方数据
维普

中文摘要：方面词提取是方面级情感分析中的一个核心任务,随着社交网络的不断发展,越来越多的用户倾向于根据评论文本来做决策,并且对评论文本的细节越来越关注.因此,从海量的评论文本中准确提取方面词对于用户快速决策具有重要意义.由于标注语料极其耗时耗力,成本高,所以当前公开的方面词数据集相对较少,从而影响了神经网络模型的有效训练.为了缓解这一问题,有研究者使用了领域自适应策略,该策略通过使用方面词和意见词之间的共同句法关系来弥补不同领域之间的差距,但这高度依赖于外部语言资源.针对上述问题,该文使用无监督领域自适应的方法,通过从粗粒度方面类别任务的丰富资源源域学习到的知识,来提高细粒度方面词任务的低资源目标域的学习能力.为了缓解领域间粒度不一致和特征不匹配问题,该文提出了一种双记忆交互网络,该网络通过将每个单词的局部记忆与全局方面词和方面类别记忆进行交互,不断迭代获得每个单词的相关向量,进而得到方面词与方面类别之间的相互联系,以及方面词或方面类别本身之间的内部相关性.最后为了验证方法的有效性,该文方法在Laptop、Restaurant和Device数据集上分别进行了实验.实验结果表明,与多个基线模型相比,该文提出的方法性能更优.

外文标题：Dual Memory Interactive Network for Domain Flexible Aspect Terms Extraction

外文摘要：Aspect terms extraction is a core task in aspect-level sentiment analysis.Due to few publicly available as-pect datasets,this paper proposes to learn fine-grained aspect terms in the low-resource domains from the coarse-grained aspect categories in rich domains.To alleviate inter-domain granularity inconsistencies and feature mismat-ches,the paper proposes a dual memory interactive network that iterates continuously to obtain the correlation vec-tor for each word by interacting the local memory of each word with the global aspect terms and aspect category memory.This method can obtain the interconnections between the aspect terms and the aspect category,as well as the internal correlations between the aspect terms or the aspect category itself.Experimented on the Laptop,Res-taurant and Device datasets,the results show that the proposed method performed better compared to multiple base-line models.

外文关键词：

aspect terms extractionunsupervised learningdomain adaptationsequence annotation

作者：

程艳、胡建生、赵松华、罗品、邹海锋、富雁、刘春雷

展开 >

作者单位：

江西师范大学软件学院,江西南昌 330022

江西省科技创新基地——省级重点实验室"智能信息处理与情感计算省重点实验室",江西南昌 330022

江西师范大学计算机信息工程学院,江西南昌 330022

南昌理工学院计算机信息工程学院,江西南昌 330044

江西软云科技股份有限公司,江西南昌 330200

江西和壹科技有限公司,江西南昌 330200

展开 >

关键词：

方面词提取无监督学习领域自适应序列标注

基金：

国家自然科学基金国家自然科学基金江西省科技创新基地——省级重点实验室"智能信息处理与情感计算省重点实验室"项目江西省03专项及5G项目江西省主要学科学术和技术带头人培养计划——领军人才项目江西省自然科学基金

项目编号：

621670066196701120212BCD4200120212ABC03A2220213BCJL2204720212BAB202017

出版年：

2024

中文信息学报

中国中文信息学会,中国科学院软件研究所

中文信息学报

CSTPCDCHSSCD北大核心

影响因子：0.8

ISSN：1003-0077

年,卷(期)：2024.38(2)

参考文献量34