Improving Implicit Sentiment Learning via Local Sentiment Aggregation

要約

アスペクトベースの感情分類 (ABSC) により、さまざまな側面間の感情の極性の潜在的な依存関係が明らかになりました。
私たちの研究では、この現象をさらに調査し、隣接する側面はしばしば同様の感情を示すと仮定し、これを「アスペクト感情の一貫性」と呼んでいます。
現在の研究状況では、感情の一貫性をモデル化することの重要性が十分に理解されていないと私たちは主張します。
このギャップに対処するために、きめ細かい感情一貫性モデリングを容易にするローカル感情集約パラダイム (LSA) を導入します。
このアプローチにより、明示的な感情の説明が欠けている側面の暗黙の感情を抽出できます。
勾配降下法を利用して、アスペクトセンチメントの一貫性のモデリングをガイドする差分加重センチメント集計ウィンドウを設計します。
実験結果は、LSA が 3 つの公開データセットにわたって最先端のパフォーマンスを達成し、既存の ABSC モデルを大幅に強化するため、センチメントの一貫性の学習における LSA の有効性を裏付けています。
私たちはコードを利用可能にし、センチメントの一貫性情報の可能性を活用するための既存の方法にすぐに使えるツールを提供しました。

要約(オリジナル)

Aspect-based sentiment classification (ABSC) has revealed the potential dependency of sentiment polarities among different aspects. Our study further explores this phenomenon, positing that adjacent aspects often exhibit similar sentiments, a concept we term ‘aspect sentiment coherency.’ We argue that the current research landscape has not fully appreciated the significance of modeling aspect sentiment coherency. To address this gap, we introduce a local sentiment aggregation paradigm (LSA) that facilitates fine-grained sentiment coherency modeling. This approach enables the extraction of implicit sentiments for aspects lacking explicit sentiment descriptions. Leveraging gradient descent, we design a differential-weighted sentiment aggregation window that guides the modeling of aspect sentiment coherency. Experimental results affirm the efficacy of LSA in learning sentiment coherency, as it achieves state-of-the-art performance across three public datasets, thus significantly enhancing existing ABSC models. We have made our code available, providing a ready tool for existing methods to harness the potential of sentiment coherency information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google