题名 细粒度标记的结点自适应方面情感三元组抽取
1
作者
赵园春 韩虎 徐学锋
机构
兰州交通大学电子与信息工程学院 兰州交通大学甘肃省人工智能与图形图像处理工程研究中心
出处
《计算机工程与应用》
北大核心
2025年第13期208-216,共9页
基金
国家自然科学基金(62166024)。
文摘
情感分析在自然语言处理领域扮演着重要的角色,作为情感分析的子任务,方面情感三元组抽取能够从评论中抽取用户对产品或服务的意见,从而在商家做决策时提供关键性数据支撑,因此具有较大的研究价值。然而现有的方面情感三元组抽取方法存在词对边界考虑不足、词对标记冗余和语言学特征利用有限的问题。为了解决这些问题,提出了一种基于细粒度标记的结点自适应方面情感三元组抽取算法。设计细粒度词对标记方案,项的首尾边界使用相异的标记,去除项中冗余的词间标记。在两个通道上使用结点自适应网络分别对句法依赖信息与句法类型信息进行挖掘,同时使用卷积注意力捕捉评论文本的全局与局部语义依赖关系,从而增强模型对语言学特征的提取。最后,使用推理层获取词间关系,使用解码层获取方面-意见-情感三元组。实验结果表明,该模型不仅解决了现有标记方案存在的问题,还能高效挖掘语言学特征,在4个公开数据集上其综合评级指标值取得了较优的结果。
关键词
方面情感三元组抽取 细粒度词对标记 结点自适应网络 句法依赖树 卷积注意力
Keywords
aspect sentiment triple extraction fine-grained word pair labeling node adaptive network syntactic dependency tree convolutional attention
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
题名 基于语言特征增强的方面情感三元组抽取
2
作者
黄梓芃 曾碧卿 陈鹏飞 周斯颖
机构
华南师范大学软件学院
出处
《计算机工程》
北大核心
2025年第6期83-92,共10页
基金
国家自然科学基金(62076103) 广东省普通高校人工智能重点领域专项(2019KZDZX1033) +1 种基金 广东省信息物理融合系统重点实验室课题(2020B1212060069) 广东省基础与应用基础研究基金项目(2021A1515011171)。
文摘
方面情感三元组抽取是方面级情感分析中的一个重要子任务,旨在从句子中抽取方面词、意见词和情感极性。近年来,句法依赖树结合图卷积网络(GCN)已经在三元组抽取任务中取得了良好的效果。然而,这些方法大多没有充分利用语言特征,也没有对语言特征进行增强,且大部分忽略了全局上下文核心信息。因此,提出一种基于语言特征增强的方面情感三元组抽取模型LFE。首先,引入关键词的词性特征以充分利用语义信息;接着,考虑句法依赖类型,计算词间的相对句法依赖距离,使词能够关注离它较近的词的句法特征;然后,采用双仿射注意力机制结合GCN来增强语义和句法特征,GCN及双仿射注意力机制能有效地利用句法依赖树的结构信息,并将其融入模型中;最后,对全局特征与语言特征进行融合,以确保全局上下文中的关键信息不被忽略,从而提高模型的鲁棒性。实验结果表明,LFE模型在Res14、Lap14、Res15、Res16等4个数据集上的F1值相对GCN-EGTS-BERT模型分别提高了3.52、5.32、1.97、2.63百分点,证明其具有可行性和有效性。
关键词
方面情感三元组抽取 语言特征 关键词词性 相对句法依赖距离 图卷积网络
Keywords
aspect sentiment triplet extraction linguistic features keyword lexicality relative syntactic dependency distance Graph Convolutional Networks(GCN)
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 方面情感三元组抽取的提示增强学习网络
3
作者
李丹 夏鸿斌 刘渊
机构
江南大学人工智能与计算机学院 江南大学人机融合软件与媒体技术省高校重点实验室
出处
《计算机工程与应用》
北大核心
2025年第14期185-194,共10页
基金
国家自然科学基金(61972182)。
文摘
方面情感三元组抽取在最新的研究中致力于使用边界驱动的表格填充范式,然而其在预训练中学习到的表格特征和下游设计的解码方式之间缺乏语义交互,导致表格特征需要经历频繁的语义修改以适应任务目标。为了解决这个问题,提出一个提示增强的学习网络(prompt-enhanced learning network for aspect sentiment triplet extraction,PENet)进行方面情感三元组抽取。针对下游边界驱动的解码任务构造了新颖的边界标签提示,在上游特征学习中设计了相匹配的多粒度注意力卷积模块和提示改进的变压器结构,分别稳定地学习改进后文本的语义特征及在不同情感极性下面向任务的学习提示表示,同时基于提示不断调整文本特征的学习方向,最终实现提示范式引导下的三元组抽取网络,解决了解码前特征反复修改的问题。实验结果表明,在四个公开数据集上,PENet的综合表现已经超越了现有基线模型,显著提升了三元组抽取性能。
关键词
方面情感三元组抽取 提示学习 注意力卷积
Keywords
aspect sentiment triplet extraction prompt learning attention convolution
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 融合思维链和低秩自适应微调的方面情感三元组抽取
4
作者
曾碧卿 陈鹏飞 姚勇涛
机构
华南师范大学软件学院
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第7期53-62,共10页
基金
广东省普通高校人工智能重点领域专项(2019KZDZX1033) 广东省基础与应用基础研究基金(2021A1515011171) 广州市基础研究计划基础与应用基础研究项目(202102080282)。
文摘
方面情感三元组抽取(ASTE)任务是方面级情感分析的重要子任务之一,传统的监督学习方法在该任务上取得了SOTA或接近SOTA的效果。然而,随着深度神经网络的发展,生成式大型语言模型(LLM)为该任务带来了更多的可能性。目前大多数工作都是直接对LLM进行微调,但是忽略了LLM的幻觉现象,导致性能下降。提出一种融合思维链技术和LLM低秩自适应(Lo RA)微调LFC方法,实现生成式的ASTE新范式,以提升任务性能。在LFC中,首先基于思维链技术,通过人工构造少量推理样本,并利用LLM生成具有推理结构的增强数据集。将增强数据集用于微调Chat GLM3-6B模型的学习。在微调过程中,采用Lo RA微调技术提高在低资源环境下适配ASTE任务的效果。实验结果表明,LFC方法相比于最优的基线模型在Res14、Lap14、Res15和Res164个数据集上的F1值分别提升8.37、12.31、11.07和8.43个百分点,该方法不仅能够准确地识别三元组,而且在一定程度上优化了LLM的幻觉现象。
关键词
方面情感三元组抽取 大型语言模型 低秩自适应微调 思维链 提示学习
Keywords
Aspect Sentiment Triplet Extraction(ASTE) Large Language Model(LLM) Low-Rank Adaptation(LoRA)fine-tuning Chain-Of-Thought(COT) prompt learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 融合语义和句法信息的方面情感三元组抽取
5
作者
李言博 何庆 陆顺意
机构
贵州大学大数据与信息工程学院
出处
《计算机应用》
CSCD
北大核心
2024年第10期3275-3280,共6页
基金
国家自然科学基金资助项目(62166006) 贵州省省级科技计划项目(黔科合支撑[2023]一般093,黔科合ZK字[2021]335)。
文摘
方面情感三元组抽取(ASTE)是方面情感分析中一项极具挑战性的子任务,目的是提取所给句子中的方面项、观点项和对应的情感极性。现有的面向ASTE任务的模型分为流水线模型和端到端模型。针对流水线模型易受到错误传播的影响,且大部分现有端到端模型忽略了句子中丰富的句法信息问题,提出一种语义和句法增强的双通道方面情感三元组抽取模型(SSED-ASTE)。首先,使用BERT(Bidirectional Encoder Representation from Transformers)编码器对上下文编码;其次,使用双向长短期记忆(Bi-LSTM)网络捕捉上下文语义依赖关系;再次,通过2个并行的图卷积网络(GCN)分别使用自注意力机制和依存句法分析提取语义特征和句法特征并融合;最后,使用网格标记方案(GTS)抽取三元组。在4个公开数据集上进行实验分析,与GTS-BERT模型相比,所提模型的F1值分别提升了0.29、1.50、2.93和0.78个百分点。实验结果表明,所提模型可以有效利用句子中隐含的语义信息和句法信息,实现较准确的三元组抽取。
关键词
情感 分析方面情感三元组抽取 依存句法分析 自注意力机制 图卷积网络
Keywords
sentiment analysis Aspect Sentiment Triplet Extraction(ASTE) dependency syntactic parsing selfattention mechanism Graph Convolutional Network(GCN)
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
题名 结合依存图卷积与文本片段搜索的方面情感三元组抽取
被引量：5
6
作者
徐康 李霏 姬东鸿
机构
武汉大学国家网络安全学院
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第4期61-67,共7页
基金
国家自然科学基金(62176187) 国家重点研发计划(2017YFC1200500) +2 种基金 教育部哲学社会科学研究重大课题攻关项目(18JZD015) 教育部人文社科青年基金(22YJCZH064) 湖北省自然科学基金(2021CFB385)。
文摘
现有基于序列标注或文本生成的三元组抽取模型通常未考虑完整文本片段级别的交互,且忽略了句法知识的应用。为解决上述问题,提出一种基于依存图卷积与文本片段搜索的深度学习模型来联合抽取方面情感三元组。通过预训练语言模型BERT编码层学习句子中每个单词的上下文表达,同时利用图卷积神经网络学习句子单词之间的依存关系和句法标签信息,以捕获远距离的方面词与观点词之间的语义关联关系,并采用文本片段搜索构造候选方面词与观点词及其特征表示,最终使用多个分类器同时进行方面词与观点词抽取及情感极性判断。在ASTE-Data-V2数据集上的实验结果表明,该模型在14res、14lap、15res和16res子集上的F1值相比于JET模型提升了10.61、10.54、4.91和8.48个百分点,具有较高的方面情感三元组抽取效率。
关键词
方面情感三元组抽取 图卷积神经网络 深度学习 依存句法分析 文本片段搜索
Keywords
Aspect Sentiment Triple Extraction(ASTE) graph convolution neural network deep learning dependency syntactic parsing text span search
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 片段级别的双编码器方面情感三元组抽取模型
7
作者
张韵琪 李松达 兰于权 李东旭 赵慧
机构
华东师范大学软件工程学院 华东师范大学上海市高可信计算重点实验室
出处
《计算机科学与探索》
CSCD
北大核心
2023年第12期3010-3019,共10页
基金
国家重点研发计划(2019YFB2102600)。
文摘
方面情感三元组抽取(ASTE)是方面级情感分析的子任务之一,旨在识别出句子中所有的方面词及其对应的观点词和情感极性。目前,ASTE任务通过流水线模型或端到端模型完成,前者无法解决三元组方面词重叠问题,且忽视了观点词和情感极性之间的依赖关系;后者将ASTE任务分解为方面词和观点词抽取子任务以及情感极性分类子任务,通过共享编码器进行多任务学习,未区分两个子任务的特征差异,导致特征混淆问题。针对上述问题,提出了片段级别的双编码器方面情感三元组抽取模型(SD-ASTE)。该模型是流水线模型,分为两个模块。第一个模块基于片段抽取方面词和观点词,在片段特征表示中融入片段首尾和长度信息,关注方面词和观点词的边界信息;第二个模块判断方面词-观点词片段对表达的情感极性,采用基于悬浮标记的片段对特征表示方式,侧重于学习三元组各元素之间的依赖关系。模型利用两个独立编码器,分别为两模块提取不同的特征信息。多个数据集上的对比实验结果表明,该模型相较于目前最优的流水线模型和端到端模型具有更优的效果。通过有效性实验,验证了片段特征表示和片段对特征表示以及两个独立编码器的有效性。
关键词
情感 分析方面情感三元组抽取 (ASTE)流水线模型 片段 独立编码器
Keywords
sentiment analysis aspect sentiment triplet extraction(ASTE) pipeline model span independent encoders
分类号
TP391
[自动化与计算机技术—计算机应用技术]
