Aspect-Based Sentiment Analysis
PulseAugur coverage of Aspect-Based Sentiment Analysis — every cluster mentioning Aspect-Based Sentiment Analysis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
面向方面级情感分析的新僧伽罗语数据集发布
研究人员推出了 SalAngaBhava，一个专为僧伽罗语（一种主要在斯里兰卡使用的低资源语言）方面级情感分析（ABSA）设计的新数据集。该数据集包含僧伽罗语的产品评论，这些评论已手动标注了特定的方面词及其相应的情感（正面、负面或中性）。SalAngaBhava 的创建旨在解决低资源语言此类资源的稀缺性问题，从而促进僧伽罗语自然语言处理和情感分析的进一步研究和开发。
-
ACAT平台通过自动化ETL简化ABSA数据集标注
研究人员开发了ACAT，一个新颖的、基于网络的平台，旨在简化方面级情感分析（ABSA）数据集的标注过程。ACAT原生支持四种不同的ABSA工作流程，包括方面-类别情感分析和方面情感三元组提取。一项关键创新是其自动化的ETL管道，它整合了协作标注，并在导出时计算标注者间一致性（IAA）指标，生成可直接使用的训练数据集。初步测试表明，ACAT显著缩短了标注时间并产生了高IAA分数。
-
DiffuSent框架利用扩散模型统一情感分析
研究人员推出DiffuSent，一个新颖的基于扩散的框架，旨在统一面向方面的情感分析（ABSA）中的各种子任务。该非自回归模型通过扩散过程优化方面词和意见词的边界，解决了先前生成方法的局限性。实验表明，DiffuSent在现有系统之上表现出色，尤其是在处理多词术语时，并且提供了显著更快的推理速度。
-
新的大语言模型技术和合成基准推动情感分析发展
两篇新的研究论文探讨了使用大语言模型（LLMs）在方面情感分析（ABSA）方面取得的进展。第一篇论文介绍了“多视图提示”（LLM-MvP）技术，该技术结合了模式约束解码和前缀批处理，以实现与微调模型相媲美的性能，同时降低了计算成本。第二篇论文提出了一个面向教育领域方面情感分析的可控合成基准，该基准由 10,000 条合成课程评论生成，旨在解决公开的方面标记学生反馈稀缺的问题。该基准用于评估包括 BERT 和基于 GPT 的 gpt-5…
-
LLM、专家和学生在德语情感分析标注质量方面的比较
一篇新论文研究了德语方面级情感分析（ABSA）的标注质量，比较了专家、学生、众包工作者和大型语言模型（LLM）。该研究重新标注了一个现有数据集以建立真实情况，并使用标注者间一致性（IAA）评估了标注质量。研究还利用基于BERT、T5和LLaMA的模型评估了这些不同标注来源对ABSA子任务下游模型性能的影响。