2021年2月25日,由研究团队博士生梁斌和硕士生殷熔磾牵头撰写的论文“Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis”获《IEEE Transactions on Affective Computing》期刊录用。

论文主要提出了一种结合常识知识和上下文信息动态优化目标-方面级情感分析(Targeted Aspect-based Sentiment Analysis)任务中的目标(Target)和方面(Aspect)向量表示的方法(Refining Affective Embedding from Context, RAEC)。

现有的目标-方面级情感分析方法通常使用目标/方面的原始向量表示(Embedding)或随机初始化向量作为目标/方面输入的向量表示,这样的目标/方面向量表示既脱离了上下文,也忽略了不同情感表达中向量表示的区别。针对上述问题,论文首先将常识情感知识(Affective Embedding)和距离信息(Position Encoding)引入上下文词语向量表示的优化中,使词语在保留原有上下文语义信息的同时,能具有情感信息和与目标词的相对位置信息。该向量表示称为上下文-情感向量(Context-affective Embedding)。随后,为了使上下文词语能根据不同上下文自动生成更合理的向量化表示,使用一个通过控制系数稀疏向量收敛速度的阶跃函数(Step Function)来针对不同目标和方面学习不同的上下文词语重要性,从而根据不同的上下文对目标和方面向量表示进行动态优化,得到更合理的目标和方面向量表示。

在两个公开数据集的实验结果表明,论文提出的RAEC方法可以直接和现有基于神经网络的目标-方面级别情感分析模型相结合,并取得更优性能。

《IEEE Transactions on Affective Computing》是人工智能领域的国际期刊,该期刊为SCI检索,IF 7.512,JCR Q1,中科院SCI工程技术大类2区。

论文信息

Bin Liang, Rongdi Yin, Jiachen Du, Lin Gui, Yulan He, Min Yang and Ruifeng Xu*. Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis, to appear in IEEE Transactions on Affective Computing (TAC).

发表评论