Generative Sentiment Analysis via Latent Category Distribution and Constrained Decoding

要約

詳細なセンチメント分析には、テキスト データからセンチメント要素を抽出して整理することが含まれます。
しかし、既存のアプローチでは、カテゴリの意味論的な包含と重複の問題、さらにはターゲット配列内の固有の構造パターンが見落とされることがよくあります。
この研究では、生成感情分析モデルを導入します。
カテゴリの意味論的な包含と重複に関連する課題に対処するために、潜在的なカテゴリ分布変数が導入されます。
変分オートエンコーダーの入力を再構築することにより、モデルはカテゴリとテキスト間の関係の強さを学習し、それによってシーケンス生成が向上します。
さらに、トライ データ構造と制約付きデコード戦略を利用して構造パターンを活用し、その結果、検索スペースが削減され、生成プロセスが正規化されます。
Restaurant-ACOS および Laptop-ACOS データセットの実験結果は、ベースライン モデルと比較して大幅なパフォーマンスの向上を示しています。
アブレーション実験では、潜在カテゴリ分布と制約付きデコード戦略の有効性がさらに確認されました。

要約(オリジナル)

Fine-grained sentiment analysis involves extracting and organizing sentiment elements from textual data. However, existing approaches often overlook issues of category semantic inclusion and overlap, as well as inherent structural patterns within the target sequence. This study introduces a generative sentiment analysis model. To address the challenges related to category semantic inclusion and overlap, a latent category distribution variable is introduced. By reconstructing the input of a variational autoencoder, the model learns the intensity of the relationship between categories and text, thereby improving sequence generation. Additionally, a trie data structure and constrained decoding strategy are utilized to exploit structural patterns, which in turn reduces the search space and regularizes the generation process. Experimental results on the Restaurant-ACOS and Laptop-ACOS datasets demonstrate a significant performance improvement compared to baseline models. Ablation experiments further confirm the effectiveness of latent category distribution and constrained decoding strategy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google