TEGAA:具有语义对比学习的变压器增强图形方面分析仪,用于隐式方面检测

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 隐含的方面检测模型与方面模两可,数据不平衡,杂的文本和方面漂移而斗争.
• 现有的方法在准确识别用户生成内容中未声明的方面类别方面面临挑战.

研究的目的:

• 提出变压器增强图形方面分析仪 (TEGAA),一个统一的框架来克服隐性方面检测的局限性.
• 提高在非结构化文本中识别隐性方面的准确性和稳定性.

主要方法:

• 开发了一个带有动态自适应专家引擎 (DAEE) 的动态专家变压器 (DET),以处理语法复杂性和上下文噪音.
• 实施语义对比学习 (SCL) 来解决数据不平衡和稀缺的隐性线索.
• 使用了图形增强的等级方面探测器 (GE-HAD) 带有注意力消化器和金字塔聚合器,用于模糊性和漂移分辨率.

主要成果:

• 在基准数据集上,TEGAA实现了F1得分高于0.88,精度高于0.89,回忆高于0.87,准确度高于89%,AUC高于0.89.
• 在隐性方面检测方面,在最先进的方法中表现出优越的性能.
• 在解决隐性方面模糊性和处理杂,不平衡的数据方面表现出有效性.

结论:

• TEGAA为隐性方面检测提供了一个强大而有效的框架,其性能优于现有的方法.
• 动态专家路由,语义精细化和层次图推理的综合方法解决了该领域的关键挑战.
• TEGAA为跨越多种语言范围和领域的方面推理提供了稳定和适应性的解决方案.