科研训练第九周——关于两篇基于GCN的ABSC任务论文阅读

最新推荐文章于 2023-02-25 14:43:44 发布
最新推荐文章于 2023-02-25 14:43:44 发布
阅读量908 收藏 1
点赞数
文章标签： 深度学习 机器学习 神经网络
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_45751990/article/details/121318059
版权

大概是下载错了文章结果实验中的论文误读成了第二篇的😅

《Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks》阅读笔记

ABSC任务：本文针对的任务是对于（Sentence,aspect）做极性预测

Motivation

  • 单纯基于Attention机制的的ABSC在捕捉aspect的极性的时候，容易错误地关注上下文信息

Its size is ideal and the weight is acceptable.Attention机制可能会将size和acceptable关联在一起

  • 单纯基于CNN机制的ABSC在捕捉aspect极性的时候，不足以确定由不相邻的多个词所描述的情绪

The staff should be a liitle more friendly.CNN将staff和more friendly关联在一起，而忽视了should be的信息

为了更好地解决上面的两个问题，本文提出了基于GCN的图卷积神经网络模型

Introduction

GCN:
GCN具有多层架构，每一层都使用近邻的特征来编码和更新图中节点的表示。通过参考语法依赖树，GCN有可能将与语法相关的词绘制到目标方面，并利用具有GCN层的长程多词关系和语法信息.

解决的主要问题：

  • 利用依赖树解决了长程的多词依赖问题
  • 第一次将GCN运用于ABSC任务
  • 取得了有效的结果（客套）

Model

贴一篇关于这篇论文阅读的博客
在这里插入图片描述

这一篇和上一篇总框架相似

因为找论文的时候看参考文献看错了，所以读了这篇，虽然和上一篇思路差不多，但是论文用的源码不是这一篇的555，（虽然也不算亏🤣

Introduction

  • 首先本文要解决的两个任务：
    （1）抽取出句子中的aspect
    （2）对于特定aspect分析其情感极性pos,neg,neu
  • 本文发现：利用依存句法树可以有效缩短上下文之间aspect和opinion的距离
  • 本文的方法：利用图卷积网络对于句子进行建模（其中结点的embedding表示利用了Bi-LSTM的embedding初始化）

Model

在这里插入图片描述

理想国の糕
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Aspect-based Sentiment Classification with Aspect-specific Graph Convolutional Networks 阅读笔记
Mr_Suda的博客
12-20 1055
第一篇GCN模型用于ABSA研究的文章。
GCN:Graph Convolutional Neural Networks for Web-Scale Recommender Systems简介
loserChen的博客
03-10 2821
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 摘要 作者们开发了一个数据高效的GCN算法PinSage，该算法联合有效的random walk以及图卷积来生成涵盖图结构和结点特征的嵌入结点。相对于之前的GCN方法，作者提出了高效的random walk方法同时设计了一个新颖的训练策略以提高模型的收敛性和鲁...
【GCN】图卷积网络的半监督学习脉络
夏至是个程序媛
11-28 5383
1、入门： 知乎回答：从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi） 2、论文阅读： 论文地址：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS 论文翻译1：图卷积神经网络的半监督学习 论文解读1：深度学习新星 | 图卷积神经网络（GCN）有多强大？ 论文解读2：SEMI-SUPERVISED ...
[论文笔记-2]Dual Graph Convolutional Networks for Aspect-based Sentiment Analysis
lnbbbb的博客
01-31 1426
分点、无大段、有逻辑的非“纯翻译”中文笔记
DualGCN论文阅读笔记（读不懂你来打我）
G_State_Lavin的博客
02-25 763
DualGCN
基于GCN的CORA图数据集节点级多分类任务python源码+项目运行说明+数据.zip
01-16
基于GCN的CORA图数据集节点级多分类任务python源码+项目运行说明+数据.zip 项目说明 - 数据集CORA 图数据集 - 任务：多分类 - 使用模型GCN SVM FNN - 包括构图、数据预处理及feature encoding ### 依赖库安装 ``` ...
ST-GCN 论文原文及解读
12-19
- 提出了 ST-GCN，这是⼀种基于图的动态⻣骼建模通⽤公式，这是第⼀个将基于图的神经⽹络应⽤于该任务。 - 针对⻣架建模的具体要求，提出了 ST-GCN 中卷积核的设计原则。 - 在基于⻣骼的动作识别的两个⼤规模数据...
基于GCN的CORA节点级分类任务python 源码
最新发布
06-14
任务：多分类 使用模型GCN SVM FNN 包括构图、数据预处理及feature encoding 依赖库安装 pip install requirements.txt # 以下4个库可能会安装失败 torch-scatter torch-sparse torch-cluster torch-spline-conv # ...
12周文献阅读思路大纲分析（2）-动作识别 时空对比学习 动作编码 GCN 对比性代理任务 对比学习 三维动作识别
05-16
这是 12周文献阅读思路大纲分析（2）——动作识别 时空对比学习 动作编码 GCN 对比性代理任务 对比学习 三维动作识别。已经在博客中记录：...
gcn-over-pruned-trees：修剪后的依赖树上的图形卷积可改善关系提取（作者的PyTorch实现）
02-04
修剪后的依赖树上的图卷积用于关系提取 此回购包含PyTorch代码，用于修剪。 本文/代码在修剪的依赖树上引入了图卷积神经网络（GCN），用于关系提取的任务。 还引入了一种特殊的树修剪技术，称为“以路径为中心的修剪”，以从树中消除不相关的信息，同时最大程度地维护相关信息。 与诸如各种基于LSTM的模型之类的序列模型相比，此GCN模型利用依赖结构桥接远程单词，因此提高了远程关系的性能。 与以前的递归模型（如TreeLSTM）相比，此GCN模型在获得更好的性能的同时，也更早地实现了并行化，因此效率更高。 参见下面的模型架构概述： 要求 Python 3（在3.6.5上测试） PyTorch（
Sentic GCN (2022 Knowledge-Based Systems)
大肉包的博客
11-09 1121
在每个句子的依赖树和情感常识知识之上构建图表。具体来说，首先基于依赖树为每个句子构造一个普通的依赖图，以捕获句子的句法信息。其次，利用语境词与方面词之间的情感依赖关系，将外部情感常识知识融入到图的生成中;根据句子的句法依赖关系和情感信息对特定方面的依赖关系，可以将每个句子建模为面向特定方面的情感增强依赖关系图。然后将情感增强依赖图作为输入输入到基于gcn的模型中，以捕获情感增强依赖图的表示形式句子。2. 提出了一种基于依赖树和情感常识知识的图卷积网络构造图的新解决方案，以捕获对应于特定方面的情感依赖。
Dependency-driven Relation Extractionwith Attentive Graph Convolutional Networks
weixin_41545327的博客
09-21 1187
句法信息和依赖树在已有的研究中已经广泛用于改进关系抽取，并能更好地指导分析与给定实体相关的上下文信息。然而，现有的研究依赖树中大多存在噪声，特别是当依赖树自动生成时，其过度利用依赖信息可能会给关系分类带来混乱，必要的剪枝在此任务中非常重要。本文提出了一种依赖驱动的注意力图卷积网络关系抽取方法（A-GCN）。在这种方法中，图卷积网络上的注意力机制应用于从现成的依赖解析器获得的依赖树中的不同上下文词，以区分不同词依赖的重要性。考虑到单词之间的依赖类型也包含重要的上下文指导，这可能有助于关系提取。
基于选择性注意的图卷积网络用于方面级情感分类
Jeaksun的博客
08-01 826
方面级情感分析的目的是识别句子中某一特定aspect词语的情感极性。最近的方法通过使用依赖树上的GCN来获得aspectterms的语法感知表示，并学习aspect和上下词之间的交互。GCNs通常在两层的情况下获得最佳性能，更深的GCNs不会带来任何额外的收益。然而，在某些情况下，在依存树上的两跳内不能到达方面术语的对应意见词。因此，本文设计了一种新的基于选择性注意的GCN（SA-GCN）来处理方面词和观点次较远的情况。。......
Enhanced multi-channel graph convolutional network for aspect sentiment triplet extraction.
qq_42523037的博客
10-12 828
情感三元组
浅谈 NLP 细粒度情感分析（ABSA）
Kaiyuan_sjtu的博客
12-13 5559
作者|周俊贤整理|NewBeeNLP最近在调研细粒度情感分析的论文，主要对一些深度学习方法进行调研，看论文的同时记录下自己的一些想法。首先，何为细粒度的情感分析？如下图，淘宝...
在NLP中应用GCN的几种构图方法整理
carrie_0307的博客
04-06 3161
1. 基于 word 和 文档(document) 的构图 AAAI2019: Graph Convolutional Networks for Text Classification 节点: words, documents 边: 基于 PMI 值构图 word与document之间边权重: word在document中的tf-idf值 word之间的边权重: PMI PMI...
BERT4GCN: Using BERT Intermediate Layers to Augment GCN for Aspect-based Sentiment Classification
misaki_min的博客
10-28 1162
论文内容整理（自用） BERT4GCN 标题：BERT4GCN: Using BERT Intermediate Layers to Augment GCN for Aspect-based Sentiment Classification 摘要： 基于图的基于方面的情感分类(ABSC)方法已经取得了最先进的结果，特别是当使用了从训练前语言模型(PLMs)得到的上下文词嵌入时。然而，它们忽略了上下文的顺序特性，并没有充分利用PLMs。在本文中，我们提出了一个新的模型，它集成了来自BERT的PLM的语法顺序特
ABSA论文笔记
weixin_43914765的博客
10-22 849
文章 创新点 模型 备注 数据集 结论 Applying Transformers and Aspect-based Sentiment Analysis approaches on Sarcasm Detection 将ABSA和Contextual Sentiment Analysis应用于Sarcasm Analysis NBSVM 朴素贝叶斯+支持向量机 Twitter和Reddit [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8dEXOtHn-16...
python绘制基于GCN训练模型roc曲线
04-25
您好，感谢您向我提出问题。关于您的问题，我了解到GCN是图卷积网络，而ROC曲线是用于二分类问题的性能评估指标之一。绘制基于GCN训练模型的ROC曲线，一般需要进行如下步骤： 1. 进行GCN模型的训练和测试，获取不同阈值下的真阳性(True Positive)和假阳性(False Positive)。 2. 计算不同阈值下的真阳性率(True Positive Rate)和假阳性率(False Positive Rate)。 3. 绘制ROC曲线，横轴为假阳性率，纵轴为真阳性率。 在Python中，您可以使用scikit-learn库中的roc_curve()函数计算真阳性率和假阳性率，使用matplotlib库绘制ROC曲线。以下是一份Python代码示例： ``` import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, auc # 假设您已经获取到了不同阈值下的真阳性和假阳性数组 y_true = np.array(...) y_pred = np.array(...) # 使用roc_curve()函数计算真阳性率和假阳性率 fpr, tpr, thresholds = roc_curve(y_true, y_pred) roc_auc = auc(fpr, tpr) # 绘制ROC曲线 plt.plot(fpr, tpr, label = 'ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], 'k--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC Curve') plt.legend(loc = "lower right") plt.show() ``` 希望以上内容能够帮助您解答问题。如果您还有其他疑问，请随时向我提问。
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
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