《论文阅读》端到端情感原因对提取的有效子句间建模 ACL 2020

已于 2024-03-27 10:38:14 修改
阅读量269 收藏
点赞数
分类专栏： NLP 情绪原因挖掘 文章标签： 论文阅读 情绪原因提取 端到端 子句提取 情绪原因 Cause Emotion
于 2024-03-19 16:38:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44833392/article/details/136835906
版权
NLP 同时被 2 个专栏收录
89 篇文章 51 订阅 ¥29.90 ¥99.00
订阅专栏
情绪原因挖掘
5 篇文章 0 订阅
订阅专栏
本文介绍了2020年ACL会议上一篇关于端到端情感原因对提取的研究，通过图注意力机制和相对位置编码增强子句交互。模型包含文档编码、子句关系建模和子句对表示学习与排名三个部分，旨在解决传统方法中的错误传播和不适应问题。
摘要由CSDN通过智能技术生成

《论文阅读》端到端情感原因对提取的有效子句间建模

前言

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~

今天为大家带来的是《Effective Inter-Clause Modeling for End-to-End Emotion-Cause Pair Extraction》

在这里插入图片描述

出版：ACL

时间：2020

类型：情绪原因对提取

关键词：子句间建模；端到端；情绪；原因；

作者：Penghui Wei, Jiahao Zhao, Wenji Mao

第一作者机构：SKL-MCCS, Institute of Automation, Chinese Academy of Sciences (CASIA)

简介

如上图所示，传统提取情绪-原因对的方法存在两个弊端：1）错误传播（error propagation）2）两个步骤自身无法相互适应彼此

为了解决上述问题，本文提出：

1）端到端的提取方法（ONE Step）

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
情感原因识别相关论文整理
qianqiangediaoLM的博客
03-16 835
情感原因提取paper总结
【论文泛读134】用于情感原因提取的多任务学习和自适应知识模型
scu-liu的博客
06-21 560
贴一下汇总贴：论文阅读记录 论文链接：《Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction》 一、摘要 检测文本中表达的情绪是自然语言处理中一个经过充分研究的问题。然而，关于更细粒度的情绪分析（例如导致情绪的原因）的研究仍处于起步阶段。我们提出了以联合方式处理情绪识别和情绪原因检测的解决方案。考虑到常识知识在理解隐​​式表达的情绪及其产生这些情绪的原因方面起着重要作用，我们提出了通过自适应知识模型将常识知
热门论文 | 情感-原因对提取:文本中情感分析的新课题
热门推荐
ShenggengLin的博客
04-03 1万+
1. 摘要     情感原因提取(Emotion cause extraction, ECE)是一项旨在提取文本中某些情感背后潜在原因的任务，由于其广泛的应用，近年来受到了广泛的关注。但其存在两个不足:1)ECE在提取原因前必须对情感进行标注，这极大地限制了其在现实场景中的应用;2)首先对情感进行标注，然后提取原因的方法忽略了它们是相互指示的这一事实。这篇论文提出了一个新的任务:情感-原因对提取(...
A Question Answering Approach to Emotion Cause Extraction 学习笔记
11-06 701
Abstract 情感原因提取是为了找出文本中所表达的某种情感背后的原因。与情绪分类相比，这是一个困难得多的任务。受到使用深度记忆网络进行问答(QA)的最新进展的启发，我们提出了一种将情感原因识别作为阅读理解任务 的新方法。受卷积神经网络的启发，我们提出了一种新的机制，将相关上下文存储在不同的记忆槽中，从而对上下文信息进行建模，该方法可以同时提取词级序列特征和词汇特征。实验结果表明，我们的方法在最...
An End-to-End Network for Emotion-Cause Pair Extraction (2021)
afanti_1的博客
07-22 453
情绪原因对提取的端对端网络(2021) ：仅使用文本模态来解决情感识别任务
《Emotion-Cause Pair Extraction》论文解读
LiJiale_的博客
04-04 1078
Emotion-Cause Pair Extraction 论文链接: https://arxiv.org/abs/1906.01267v1. Abstract
【论文阅读】Conversations Are Not Flat: Modeling the Dynamic Information Flow across Dialogue Utterances
小王同学的博客
06-09 743
目录一、简介二、方法1. 任务2. 模型架构attention 模块RepresentationMatching：Aggregation：三、实验1. 数据集2. 评价指标3. 实验设置4. 实验结果四、结果分析1. 实验结果分析2. 注意力可视化3. 错误分析 paper地址：https://arxiv.org/pdf/2106.02227.pdf 代码地址：https://github.com/ictnlp/DialoFlow 一、简介 二、方法 1. 任务 2. 模型架构 attention .
论文研究-基于演绎长度的学习子句删除策略.pdf
09-07
学习子句删除策略是CDCL-SAT求解器中的一个重要内容，可以避免内存爆炸和加速单元传播。评估学习子句有用性的标准不同导致所删除的学习子句是不同的，极大地影响求解效率。基于CDCL算法的求解过程可被形式化为增加...
论文研究-命题逻辑提升到一阶逻辑上的子句消去方法.pdf
09-16
在基于命题逻辑的可满足性问题（SAT）求解器和基于一阶逻辑的定理证明器上，子句集...最后，分析比较了这些子句消去方法的有效性，并且证明了这3种新型子句消去方法比组成它们的原始子句消去方法均具有更高的有效性。
利用异构图神经网络实现情绪-原因对的有效抽取 (1).pdf
05-18
本文提出的基于异构图神经网络的情绪-原因对抽取方法可以有效地解决文本情感分析中的情绪-原因对抽取问题，具有稳定的效果提升和广泛的应用前景。 关键词：情感分析；情绪-原因对抽取；异构图神经网络；图神经网络...
SQL Server2008 Order by在union子句不可直接使用的原因详解
09-08
在SQL Server 2008中，`UNION` 子句用于合并两个或多个 `SELECT` 语句的结果集，但不允许直接在 `UNION` 子句内部使用 `ORDER BY`。这是因为 `ORDER BY` 通常用于对查询结果进行排序，而 `UNION` 的目的是合并不同的...
对索引Include子句的深入分析（已校对）1
08-08
标题中的“对索引Include子句的深入分析”是指探讨PostgreSQL数据库中创建索引时的一个特性，即在`CREATE INDEX`语句中使用`INCLUDE`子句。这个子句允许用户将某些列添加到索引的叶子节点，但不包含在B-Tree部分，以...
Conditional Flow Matching: Simulation-Free Dynamic Optimal Transport论文阅读笔记
weixin_46103454的博客
08-20 368
假设给定一个目标流pt和生成它的向量场ut .学习与pt相匹配的流的一种方法是通过对目标向量场的回归进行梯度下降。
【论文阅读】APMSA: Adversarial Perturbation Against Model Stealing Attacks（2023）
Glass_Gun的博客
08-20 1087
换句话说，对于威胁模型隐私的模型窃取攻击，利用API查询公共数据的可接受次数(即通常较小)，并从MUA获取返回的预测，以构建用于训练替代/被盗模型的“传输数据集”，从而危及MUA的隐私并破坏其业务价值。值得注意的是，除了私下使用被盗模型进行进一步的免费查询外，被盗模型还可以用来制作可转移的对抗示例来欺骗MUA[12]，[13]。攻击者通过私有模型提供的付费查询服务(即MLaaS提供的API)，对查询的输入x获得预测y，在某些情况下，返回的预测通常是概率向量(即x属于特定类别的置信度)或标签(top-1)。
【论文阅读】GLiRA: Black-Box Membership Inference Attack via Knowledge Distillation
最新发布
Glass_Gun的博客
08-23 477
Membership inference attack，成员推理攻击。knowledge distillation，知识蒸馏。trustworthy AI，可信人工智能。
VIT论文阅读： A Image is Worth 16x16 Words
qq_19859865的博客
08-18 556
在2024年，大家都知道了transformer的故事，但是在4年前, CNN和Transformer谁才是CV的未来，还没有那么确定。在简介部分，作者提到了一个令人失望的事实，在基于imagenet的实验中发现，transformer的表现差于同尺寸的ResNet。作者把原因归结到bias translation equivariance and locality，这些CNN具有，但是transformer不具有的特性上。如下图【1】
Swin-Transformer论文阅读
qq_19859865的博客
08-20 890
在CNN对于图像分类，目标检测等问题的探索中，大家已经发现，母舰检测，语义分割这类任务，相比于图像分类对于网络backbone有着不一样的需求。而基于vit对于图像分类问题的探索，接下来，大家可以依葫芦画瓢，尝试解决更有挑战的问题了。关于目标检测，语义分割这类任务，通常需要网络具有分层提取不同颗粒度的特征，并且，网络的是输入可能是更高分辨率的图像，输出也是更精细的特征，比如语义分割的mask。
[论文笔记] eval-big-refactor lm_eval 每两个任务使用一个gpu，并保证端口未被使用
心宝的博客
08-23 202
【代码】[论文笔记] lm_eval 每两个任务使用一个gpu，并保证端口未被使用。
约束编程：析取子句与建模技术
析取子句在约束程序设计中起着关键作用，它是一种用于约束求解的技术，旨在通过结合约束表达和推理过程，有效地解决复杂的问题。在程序设计中，特别是约束满足问题（Constraint Satisfaction Problem, CSP）中，析取...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值