AAAI 2021 | 情感分析最新进展解读

智源社区

于 2021-03-10 19:35:33 发布

阅读量6.5k

点赞数 11

CC 4.0 BY-SA版权

文章标签：编程语言机器学习人工智能深度学习大数据

本文链接：https://blog.csdn.net/BAAIBeijing/article/details/114697451

本文总结了AAAI 2021上情感分析的最新进展，涵盖基础任务、对话情感任务和多模态情感分析。深度学习在情感分类和信息抽取上取得显著成果，对话情感任务中探索了情感理解与表达，多模态情感分析则关注不同模态间的关系与融合策略。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图片来源：网络

作者：陆鑫，赵妍妍，秦兵

单位：哈尔滨工业大学

情感分析是自然语言处理中的一个重要研究领域，其相关应用在各种真实场景中发挥着重要作用。

近年来，基于深度学习的方法逐渐成为情感分析的主流，一方面极大地提高了诸多传统情感分析任务的性能，如情感分类、情感信息抽取等；另一方面还促进了情感分析与其他领域的交叉融合，并衍生出了一系列新任务，如对话情感任务、多模态情感分析任务等。

在AAAI 2021上出现了许多新的情感分析相关研究，按任务不同可将这些工作分为情感分析基础任务工作、对话情感工作和多模态情感分析工作。

以下对AAAI 2021 上情感分析的最新进展作以总结：

1、情感分析基础任务进展

情感分析基础任务相关工作主要涉及情感分类和情感信息抽取，其中情感分类又涉及粗粒度的句子级情感分类和细粒度的方面级情感分类。

句子级情感分类已经得到广泛且深入的研究，文本中蕴含的信息基本得到充分利用。为了进一步提升句子级情感分类效果，一些研究者尝试引入文本之外的信息来协助情感分类。Zhou[1]等人引入了用户信息来考虑每个人的偏好和语言习惯，并提出了一种神经群体情感分析模型解决数据稀疏性的问题。Aljebreen[2]等人研究带有URL推文的结构，提出算法解决了带有URL推文的分割问题，从而使Twitter文本的情感分析性能得到提升。

方面级情感分类仍然是情感分析研究的热门。一部分工作继续聚焦于方面级情感分类的任务性能、可解释性等关键问题。Wu[3]等人尝试通过向自注意力模型添加上下文信息来提升任务性能。Mao[4]等人通过改进多任务学习框架来间接提升任务性能。Yadav[5]等人提出了一种人类可解释的学习方法以增强可解释性。另一部分工作则关注方面级情感分类的跨领域问题，缓解新领域对大规模标注数据的依赖。Zhou[6]等人提出了一个自适应混合框架，将半监督学习和对抗训练集成在同一个网络中，解决了对抗训练中的任务分类器无法利用目标域数据中方面和情感相关信息的问题。

情感信息抽取的传统做法是各个阶段独立处理，这一方面会引起级联错误，另一方面会忽略不同阶段的内在关系，因此联合抽取逐渐成为研究的重点。Gao[7]等人提出了问题驱动的跨度标签模型QDSL，实现了方面-观点对的联合抽取。Chen[8]等人将方面情感三元组抽取（ASTE）转换为多轮机器阅读理解问题，实现了三元组的