通过信息瓶颈学习内在维度以实现可解释的方面级情感分析
计算与语言
2024-02-29 v1
摘要
基于梯度的解释方法因其高保真度，日益被用于解释自然语言处理 (NLP) 中的神经模型。此类方法通过范数函数利用维度级的梯度值来确定词级重要性，通常假设所有梯度维度具有同等重要性。然而，在方面级情感分析 (ABSA) 的背景下，我们的初步研究表明只有特定维度是相关的。为解决这一问题，我们提出了基于信息瓶颈的梯度 (\texttt{IBG}) 解释框架用于 ABSA。该框架利用信息瓶颈将词嵌入提炼为简洁的内在维度，在保留基本特征的同时省略无关信息。综合测试表明，我们的 \texttt{IBG} 方法通过识别情感感知特征，显著提高了模型的性能和可解释性。
引用
@article{arxiv.2402.18145,
title = {Learning Intrinsic Dimension via Information Bottleneck for Explainable Aspect-based Sentiment Analysis},
author = {Zhenxiao Cheng and Jie Zhou and Wen Wu and Qin Chen and Liang He},
journal= {arXiv preprint arXiv:2402.18145},
year = {2024}
}
备注
Accepted by COLING 2024