ABSA PyTorch

ABSA-PYTORCH

Aspektbasierte Stimmungsanalyse, Pytorch -Implementierungen.

基于方面的情感分析 ， 使用 pytorch 实现。

Erfordernis

• pytorch> = 0.4.0
• Numpy> = 1.13.3
• Sklearn
• Python 3.6 / 3.7
• Transformatoren

Um Anforderungen zu installieren, führen Sie pip install -r requirements.txt aus.

• Für nicht tbert-basierte Modelle sind die vorgeschriebenen Wortvektoren erforderlich, finden Sie in data_utils.py weitere Details.

Verwendung

Ausbildung

python train.py --model_name bert_spc --dataset restaurant

• Alle implementierten Modelle sind im Modelsverzeichnis aufgeführt.
• Weitere Trainingsargumente finden Sie unter Train.py.
• Weitere Unterstützung für die Unterstützung von K-Fold Cross Validierung finden Sie unter Train_k_fold_cross_val.py.

Schlussfolgerung

• Siehe Infer_example.py sowohl für nicht tbertbasierte Modelle als auch für Bert-basierte Modelle.

Tipps

• Für nicht tbertbasierte Modelle ist das Schulungsverfahren nicht sehr stabil.
• Bert-basierte Modelle reagieren empfindlicher für Hyperparameter (insbesondere Lernrate) in kleinen Datensätzen, siehe dieses Problem.
• Die Feinabstimmung der spezifischen Aufgabe ist erforderlich, um die wahre Kraft von Bert freizusetzen.

Rahmen

Versuchen Sie Pyabsa, das alle Modelle in diesem Repository enthält.

Bewertungen / Umfragen

Qiu, Xipeng et al. "Vorausgebildete Modelle für die Verarbeitung natürlicher Sprache: Eine Umfrage." Arxiv Preprint Arxiv: 2003.08271 (2020). [PDF]

Zhang, Lei, Shuai Wang und Bing Liu. "Deep Learning for Sentiment Analysis: Eine Umfrage." Arxiv Preprint Arxiv: 1801.07883 (2018). [PDF]

Young, Tom, et al. "Jüngste Trends bei der Verarbeitung natürlicher Sprache in der natürlichen Sprache von Deep Learning." Arxiv Preprint Arxiv: 1708.02709 (2017). [PDF]

Bert-basierte Modelle

Bert-ada (offiziell)

Rietzler, Alexander et al. "Anpassen oder zurückgelassen werden: Domänenanpassung durch Bert Language Model Finetuning für die Klassifizierung von Aspektziele-Sentiment." Arxiv Preprint Arxiv: 1908.11860 (2019). [PDF]

Berr-Pt (offiziell)

Xu, Hu, et al. "Bert Post-Training zum Überprüfen des Leseverständnisses und der Aspekt-basierten Stimmungsanalyse." Arxiv Preprint Arxiv: 1904.02232 (2019). [PDF]

ABSA-BERBER-PAIR (offiziell)

Sonne, Chi, Luyao Huang und Xipeng Qiu. "Verwenden von Bert für eine Aspekt-basierte Stimmungsanalyse durch den Erbau von Hilfssatz." Arxiv Preprint Arxiv: 1903.09588 (2019). [PDF]

LCF-TERT (LCF_BERT.PY) (offiziell)

Zeng Biqing, Yang Heng, et al. "LCF: Ein lokaler Kontextfokus-Mechanismus für die Aspekt-basierte Stimmungsklassifizierung." Angewandte Wissenschaften. 2019, 9, 3389. [PDF]

Aen-Bert (Aen.py)

Lied, Youwei, et al. "Aufmerksamkeitscodierernetzwerk für gezielte Stimmungsklassifizierung." Arxiv Preprint Arxiv: 1902.09314 (2019). [PDF]

Bert für die Klassifizierung der Satzpaar (BERT_SPC.PY)

Devlin, Jacob et al. "Bert: Vorausbildung von tiefen bidirektionalen Transformatoren für das Sprachverständnis." Arxiv Preprint Arxiv: 1810.04805 (2018). [PDF]

Nicht tbertbasierte Modelle

ASGCN (ASGCN.PY) (Beamter)

Zhang, Chen et al. "Aspektbasierte Stimmungsklassifizierung mit Aspekt-spezifischen Graphen-Faltungsnetzwerken." Verfahren der Konferenz 2019 über empirische Methoden in der Verarbeitung natürlicher Sprache. 2019. [PDF]

Mgan (Mgan.py)

Fan, Feifan et al. "Multi-Freak-Aufmerksamkeitsnetzwerk für die Klassifizierung von Sentiments auf Aspektebene." Verfahren der Konferenz 2018 über empirische Methoden in der Verarbeitung natürlicher Sprache. 2018. [PDF]

AOA (aoa.py)

Huang, Binxuan et al. "Klassifizierung der Aspekte der Stimmung mit Aufmerksamkeit und Aufmerksamkeit neuronaler Netzwerke." Arxiv Preprint Arxiv: 1804.06536 (2018). [PDF]

TNET (tnet_lf.py) (offiziell)

Li, Xin, et al. "Transformationsnetzwerke für die zielorientierte Stimmungsklassifizierung." Arxiv Preprint Arxiv: 1805.01086 (2018). [PDF]

Cabasc (cabasc.py)

Liu, Qiao et al. "Inhaltsaufmerksamkeitsmodell für eine Aspekt -basierte Stimmungsanalyse." Proceedings der World Wide Web Conference 2018 on World Wide Web. International World Wide Web Conferences Lenkkomitee, 2018.

RAM (Ram.py)

Chen, Peng, et al. "Wiederkehrendes Aufmerksamkeitsnetzwerk für den Speicher für die Aspekt -Stimmungsanalyse." Verfahren der Konferenz 2017 über empirische Methoden in der Verarbeitung natürlicher Sprache. 2017. [PDF]

Memnet (memnet.py) (offiziell)

Tang, Duyu, B. Qin und T. Liu. "Klassifizierung der Aspektstimmung mit Deep Memory Network." Konferenz über empirische Methoden in der Verarbeitung natürlicher Sprache 2016: 214-224. [PDF]

Ian (Ian.py)

MA, Dehong et al. "Interaktive Aufmerksamkeitsnetzwerke für die Klassifizierung von Sentiments auf Aspektebene." Arxiv Preprint Arxiv: 1709.00893 (2017). [PDF]

ATAE-LSTM (ATAE_LSTM.PY)

Wang, Yequan, Minlie Huang und Li Zhao. "Aufmerksamkeitsbasierte LSTM für die Klassifizierung von Sentiment auf Aspektebene." Verfahren der Konferenz 2016 über empirische Methoden in der Verarbeitung natürlicher Sprache. 2016.

Td-lstm (td_lstm.py, tc_lstm.py) (offiziell)

Tang, Duyu et al. "Wirksame LSTMs für die zielabhängige Stimmungsklassifizierung." Proceedings of Coling 2016, 26. Internationale Konferenz über Computerlinguistik: Technische Papiere. 2016. [PDF]

LSTM (LSTM.PY)

Hochreiter, Sepp und Jürgen Schmidhuber. "Langes Kurzzeitgedächtnis." Neuronale Berechnung 9.8 (1997): 1735-1780. [PDF]

Hinweis zum Laufen mit RTX30*

Wenn Sie in der RTX30 -Serie ausgeführt werden, gibt es möglicherweise einige Kompatibilitätsprobleme zwischen installierten/erforderlichen Fackelversionen, CUDA. Versuchen Sie in diesem Fall die Verwendung requirements_rtx30.txt anstelle von requirements.txt .

Mitwirkende

Danke geht an diese wunderbaren Leute:

Alberto Paz	Jiangtao	Wohin	Songyouwei	Yangheng	rmarcacini	Yikai Zhang
Alexey Naiden	Hbeybutyan	Pradeesh

Dieses Projekt folgt der All-Contributors-Spezifikation. Beiträge jeglicher Art willkommen!

Lizenz

MIT