2022年12月08日,研究组梁斌同学发表在《IEEE Transactions on Affective Computing》期刊的论文“Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis”入选“2022年深圳市第二届优秀科技学术论文成果”。该奖项由深圳市科学技术协会主办,深圳市人工智能学会承办。经11位电子信息、生物医药、新材料和智能制造等多个相关领域专家评审,从深圳市单位多个学科于2022年发表的论文中遴选出105篇优秀论文成果。
12月21日,在西丽湖人才活动中心隆重举行了深圳市科技学术活动月启动仪式暨第二届优秀科技学术论文颁奖仪式举行。深圳市人工智能学会理事长、中科院深圳先进技术研究院李光林研究员颁发了奖励证书。
论文信息:
Bin Liang, Rongdi Yin, Jiachen Du, Lin Gui, Yulan He, Min Yang and Ruifeng Xu*. Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis, IEEE Transactions on Affective Computing
该论文主要提出了一种结合常识知识和上下文信息动态优化目标-方面级情感分析(Targeted Aspect-based Sentiment Analysis)任务中的目标(Target)和方面(Aspect)向量表示的方法(Refining Affective Embedding from Context, RAEC)。现有的目标-方面级情感分析方法通常使用目标/方面的原始向量表示(Embedding)或随机初始化向量作为目标/方面输入的向量表示,这样的目标/方面向量表示既脱离了上下文,也忽略了不同情感表达中向量表示的区别。针对上述问题,该论文首先将常识情感知识(Affective Embedding)和距离信息(Position Encoding)引入上下文词语向量表示的优化中,使词语在保留原有上下文语义信息的同时,能具有情感信息和与目标词的相对位置信息。该向量表示称为上下文-情感向量(Context-affective Embedding)。随后,为了使上下文词语能根据不同上下文自动生成更合理的向量化表示,该论文使用一个通过控制系数稀疏向量收敛速度的阶跃函数(Step Function)来针对不同目标和方面学习不同的上下文词语重要性,从而根据不同的上下文对目标和方面向量表示进行动态优化,得到更合理的目标和方面向量表示。
在两个公开数据集的实验结果表明,该论文提出的RAEC方法可以直接和现有基于神经网络的目标-方面级别情感分析模型相结合,并取得更优性能。
《IEEE Transactions on Affective Computing》是人工智能领域的国际期刊,该期刊为SCI检索,IF 13.990,JCR Q1,中科院工程技术大类1区。
|