基于层次解缔的增强一致性感知网络用于方面类别情感分析
计算与语言
2024-03-18 v1
摘要
基于方面类别的情感分析（ACSA）旨在识别方面类别并预测其情感，由于其在NLP应用中的广泛范围，已受到广泛关注。大多数方法主要利用句内特征。然而，评论常包含多个不同的方面类别，其中一些方面并未在评论中显式出现。即使在单个句子中，也存在多个方面类别及其情感，它们在句内被缠绕，导致模型无法区分性地保留所有情感特征。本文提出了一种增强的一致性感知网络，具备层次解缔功能（ECAN），用于ACSA任务。具体而言，我们探索了一致性建模，以捕捉整个评论中的上下文信息，从而帮助识别隐含的方面和情感。为了解决多个方面类别和情感缠绕的问题，我们提出了层次解缔模块，以提取不同类别和情感特征。大量实验和可视化结果表明，ECAN有效地解耦了在一致性表示中被缠绕的多个类别和情感，实现了状态最佳（SOTA）性能。我们的代码和数据已在线提供：\url{https://github.com/cuijin-23/ECAN}。
引用
@article{arxiv.2403.10214,
title = {Enhanced Coherence-Aware Network with Hierarchical Disentanglement for Aspect-Category Sentiment Analysis},
author = {Jin Cui and Fumiyo Fukumoto and Xinfeng Wang and Yoshimi Suzuki and Jiyi Li and Noriko Tomuro and Wanzeng Kong},
journal= {arXiv preprint arXiv:2403.10214},
year = {2024}
}
备注
Accepted by LREC-COLING 2024