专栏首页arxiv.org翻译专栏基于注意力的基于神经网络的远程监督情感态度提取(CS CL)
原创

基于注意力的基于神经网络的远程监督情感态度提取(CS CL)

在情感态度提取任务中,目标是识别文本中实体之间的情感关系。本文提供了一种在情感态度提取任务中基于注意力的上下文编码器的研究。基于此任务,采用两种类型的注意力上下文编码器:(1)基于特征; (2)自立。本文利用俄语分析文本RuSentRel的语料库,自动构建新闻收藏RuAttitudes以丰富训练集。本文将态度提取问题视为整个文档的两级(正,负)和三级(正,负,中性)分类任务。对RuSentRel语料库的实验表明,当模型架构包含注意力机制时,使用RuAttitudes语料库进行训练的三级分类模型会使F1增长10%,额外增加3%。该研究还提供了根据术语类型的注意力权重分布的分析。

原文题目:Attention-Based Neural Networks for Sentiment Attitude Extraction using Distant Supervision

原文:In the sentiment attitude extraction task, the aim is to identify <<attitudes>> -- sentiment relations between entities mentioned in text. In this paper, we provide a study on attention-based context encoders in the sentiment attitude extraction task. For this task, we adapt attentive context encoders of two types: (1) feature-based; (2) self-based. In our study, we utilize the corpus of Russian analytical texts RuSentRel and automatically constructed news collection RuAttitudes for enriching the training set. We consider the problem of attitude extraction as two-class (positive, negative) and three-class (positive, negative, neutral) classification tasks for whole documents. Our experiments with the RuSentRel corpus show that the three-class classification models, which employ the RuAttitudes corpus for training, result in 10% increase and extra 3% by F1, when model architectures include the attention mechanism. We also provide the analysis of attention weight distributions in dependence on the term type.

原文作者:Nicolay Rusnachenko, Natalia Loukachevitch

原文地址:https://arxiv.org/abs/2006.13730

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 网络上可靠的通讯(CS GT)

    本文研究发送者-接收者博弈,其中发送者和接收者是通信网络中两个不同的节点。因此,发送方和接收方之间的通信是间接的。本文研究的问题是何时有可能将直接传播博弈的均衡...

    用户7454091
  • 反应速率相关动态边界条件下Cahn-Hilliard方程的数值逼近及误差分析(cs)

    我们考虑了与反应速率相关的动态边界条件下的Cahn-Hilliard方程的数值逼近和误差分析(P. Knopf等人,arXiv, 2020)。基于稳定线性隐式方...

    用户7454091
  • 动态网络识别的激励和测量的最优分配(cs)

    中文摘要:本文正式地阐述和分析了动态网络识别中激励和测量的最佳分配问题。最好的选择是用最宜的实验来实现最准确的识别。精度是由参数估计的渐近协方差矩阵的轨迹来评估...

    用户7454091
  • 聊聊flink的RichParallelSourceFunction

    flink-streaming-java_2.11-1.6.2-sources.jar!/org/apache/flink/streaming/api/func...

    codecraft
  • PAT 1011 World Cup Betting (20分) 比较大小难度级别

    With the 2010 FIFA World Cup running, football fans the world over were becoming...

    vivi
  • 聊聊flink的RichParallelSourceFunction

    flink-streaming-java_2.11-1.6.2-sources.jar!/org/apache/flink/streaming/api/func...

    codecraft
  • matplotlib quiver箭图绘制案例

    quiver绘制表示梯度变化非常有用,下面是学习过程中给出的两个例子,可以很好理解quiver的用法

    砸漏
  • Deploying to Amazon EC2 in Mulesoft

    The EC2 plugin allows you to create Amazon machine instances (AMIs) of your exis...

    用户6790598
  • 【SAP FICO系列】SAP ABAP的替代和校验

    I. Creating, activating and transporting validations and substitutions 1. Whic...

    matinal
  • 多目标进化算法应用于提高医药数据领域学习器的性能(CS AI)

    原文标题完整翻译:多目标进化算法应用于提高在医药数据领域使用整体特征选择和离散化模型的学习器的性能

    Donuts_choco

扫码关注云+社区

领取腾讯云代金券