@进行中{yu-etal-2021自我问题回答,title=“自我问题回答:基于角色翻转机器阅读理解的基于方面的情感分析”,author=“余、国新和李继伟罗、凌和孟玉贤和Ao、Xiang和何,清“,editor=“Moens、Marie-Francine和黄、玄静和Specia、Lucia和Yeh,Scott Wen-tau“,booktitle=“计算语言学协会的发现:EMNLP 2021”,月份=11月,年=“2021”,address=“多米尼加共和国蓬塔卡纳”,publisher=“计算语言学协会”,url=“https://aclantology.org/2021.findings-emnlp.115”,doi=“10.18653/v1/2021.findings-emnlp.115”,页码=“1331-1342”,abstract=“统一的基于方面的情感分析(ABSA)的核心是将方面术语与其相应的观点术语耦合,这可能会进一步获得更容易的情感预测。本文从机器阅读理解(MRC)的角度研究统一的ABSA任务通过观察,方面和观点术语可以互换地作为MRC中的查询和回答。我们提出了一种新的范式——角色翻转机器阅读理解(RF-MRC)来解决这个问题。本质上,方面术语提取(ATE)或意见术语提取(OTE)的预测结果分别被视为查询,匹配的意见或方面术语被视为答案。查询和答案可以翻转以进行多跳检测。最后,通过情感分类器预测每个匹配的方面对。RF-MRC可以解决ABSA任务,无需任何额外的数据注释或转换。在三个广泛使用的基准测试和一个具有挑战性的数据集上的实验证明了该框架的优越性。”,}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“yu-etal-2021自我问题解答”><标题信息>自我问题回答:基于角色翻转机器阅读理解的基于方面的情感分析</title信息><name type=“personal”>国信<namePart type=“family”>余</namePart><角色>作者</角色></name><name type=“personal”>Jiwei公司李<namePart type=“family”><角色>作者</角色></name><name type=“personal”>玲玲罗<namePart type=“family”><角色>作者</角色></name><name type=“个人”>蔚县孟<角色>作者</角色></name><name type=“personal”><namePart type=“given”>项<namePart type=“family”>Ao</namePart><角色>作者</角色></name><name type=“personal”>青他<角色>作者</角色></name><originInfo>发布日期:2021-11发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会的发现:EMNLP 2021</titleInfo><name type=“personal”>玛丽·弗朗辛莫恩斯<角色>编辑器</角色></name><name type=“个人”>轩辕<namePart type=“given”>黄<namePart type=“family”><角色>编辑器</角色></name><name type=“personal”>露西娅Specia系列<角色>编辑器</角色></name><name type=“personal”>斯科特文涛<namePart type=“given”>文涛</namePart><namePart type=“family”>Yih</namePart><角色>编辑器</角色></name><originInfo>计算语言学协会<位置>多米尼加共和国卡纳角</place></originInfo>会议出版物</relatedItem><abstract>统一的基于方面的情绪分析(ABSA)的核心是将方面术语与其相应的意见术语耦合,这可能会进一步获得更容易的情绪预测。在本文中,我们从机器阅读理解(MRC)的角度研究了统一的ABSA任务,观察到方面和观点术语可以互换地作为MRC中的查询和回答。我们提出了一种新的范式——角色翻转机器阅读理解(RF-MRC)来解决这个问题。本质上,方面术语提取(ATE)或意见术语提取(OTE)的预测结果分别被视为查询,匹配的意见或方面术语被视为答案。查询和答案可以被翻转以进行多跳检测。最后,通过情感分类器预测每个匹配的方面对。RF-MRC可以解决ABSA任务,无需任何额外的数据注释或转换。在三个广泛使用的基准测试和一个具有挑战性的数据集上的实验证明了该框架的优越性<identifier type=“citekey”>yu-etal-2021自我问题回答10.18653/v1/2021.findings-emnlp.115<位置><网址>https://aclantology.org/2021.findings-emnlp.115</url></位置><部分>2021-11年<扩展单元=“page”><开始>1331</开始>1342年</范围></部分></模块></modsCollection>
%0会议记录%T自我问题回答:基于角色翻转机器阅读理解的基于方面的情感分析%阿玉、郭欣%A Li、Jiwei%阿罗,玲%禹县阿蒙%阿敖、香%阿何,清%玛丽·弗朗辛·Y·莫恩斯%Y Huang,宣景%露西娅·Y·斯佩西亚%Y Yih、Scott Wen-tau%计算语言学协会的发现:EMNLP 2021%D 2021年%11月8日%计算语言学协会%C蓬塔卡纳,多米尼加共和国%F yu-etal-2021自我问题解答%X统一的基于方面的情绪分析(ABSA)的核心是将方面术语与其相应的意见术语耦合,这可能会进一步获得更容易的情绪预测。在本文中,我们从机器阅读理解(MRC)的角度研究了统一的ABSA任务,观察到方面和观点术语可以互换地作为MRC中的查询和回答。我们提出了一种新的范式——角色翻转机器阅读理解(RF-MRC)来解决这个问题。本质上,方面术语提取(ATE)或意见术语提取(OTE)的预测结果分别被视为查询,匹配的意见或方面术语被视为答案。查询和答案可以翻转以进行多跳检测。最后,情绪分类器对每个匹配的方面意见对进行预测。RF-MRC可以解决ABSA任务,无需任何额外的数据注释或转换。在三个广泛使用的基准测试和一个具有挑战性的数据集上的实验证明了该框架的优越性。%R 10.18653/v1/2021.查找-emnlp.115%U型https://aclantology.org/2021.findings-emnlp.115%U型https://doi.org/10.18653/v1/2021.findings-emnlp.115%电话:1331-1342
降价(非正式)
【自我问题回答:基于角色翻转机器阅读理解的基于方面的情感分析】(https://aclantology.org/2021.findings-emnlp.115)(Yu等人,发现2021)
国际计算语言学协会