利用丰富文本用户-产品上下文改进情感分析
计算与语言
2022-12-20 v1
摘要
与评论关联的用户和产品信息对于情感极性预测非常有用。利用此类信息的典型方法侧重于将用户和产品建模为隐式学习的表示向量。大多数方法未能挖掘历史评论的潜力，而目前利用历史评论的方法要么需要对模型架构进行不必要的修改，要么未能充分利用用户/产品关联。本工作的贡献有两方面：i) 一种显式利用属于同一用户/产品的历史评论来初始化表示的方法，以及 ii) 通过用户-产品交叉上下文模块高效整合用户与产品之间的文本关联。在 IMDb、Yelp-2013 和 Yelp-2014 基准数据集上的实验表明，我们的方法大幅优于先前的最优方法。由于我们使用 BERT-base 作为编码器，我们还额外提供了实验，证明我们的方法在 Span-BERT 和 Longformer 上也表现良好。此外，对训练数据中每个用户/产品的评论进行降采样的实验，证明了我们的方法在低资源环境下的有效性。
引用
@article{arxiv.2212.08888,
title = {Exploiting Rich Textual User-Product Context for Improving Sentiment Analysis},
author = {Chenyang Lyu and Linyi Yang and Yue Zhang and Yvette Graham and Jennifer Foster},
journal= {arXiv preprint arXiv:2212.08888},
year = {2022}
}