Download ABSA PyTorch - Download Kode Sumber ABSA PyTorch

ABSA PyTorch

Kode sumber lainnya

1.0.0

Unduh

Absa-Pytorch

Analisis sentimen berbasis aspek, implementasi pytorch.
基于方面的情感分析，使用 pytorch 实现。

Persyaratan

pytorch> = 0.4.0
numpy> = 1.13.3
Sklearn
Python 3.6 / 3.7
Transformer

Untuk menginstal persyaratan, jalankan pip install -r requirements.txt .

Untuk model non-Bert, diperlukan vektor kata pra-terlatih sarung tangan, silakan merujuk ke data_utils.py untuk lebih detail.

Penggunaan

Pelatihan

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

Semua model yang diimplementasikan tercantum dalam Direktori Model.
Lihat Train.py untuk lebih banyak argumen pelatihan.
Lihat train_k_fold_cross_val.py untuk dukungan validasi silang k-fold.

Kesimpulan

Lihat infer_example.py untuk model non-Bert dan model berbasis Bert.

Tips

Untuk model non-Bert, prosedur pelatihan tidak terlalu stabil.
Model berbasis Bert lebih sensitif terhadap hiperparameter (terutama tingkat pembelajaran) pada set data kecil, lihat masalah ini.
Menyetujui tugas khusus diperlukan untuk melepaskan kekuatan Bert yang sebenarnya.

Kerangka

Untuk pelatihan/inferensi yang fleksibel dan ekstraksi istilah aspek, coba pyabsa, yang mencakup semua model dalam repositori ini.

Ulasan / Survei

Qiu, Xipeng, dkk. "Model Pra-Terlatih untuk Pemrosesan Bahasa Alami: Survei." ARXIV Preprint ARXIV: 2003.08271 (2020). [PDF]

Zhang, Lei, Shuai Wang, dan Bing Liu. "Pembelajaran mendalam untuk analisis sentimen: survei." ARXIV Preprint ARXIV: 1801.07883 (2018). [PDF]

Muda, Tom, dkk. "Tren terbaru dalam pemrosesan bahasa alami berbasis pembelajaran mendalam." ARXIV Preprint ARXIV: 1708.02709 (2017). [PDF]

Model Bert

Bert-1 (resmi)

Rietzler, Alexander, dkk. "Adapt or Get Left Behind: Adaptasi Domain Melalui Model Bahasa Bert Finetuning untuk Klasifikasi Sentimen Target Aspek." ARXIV Preprint ARXIV: 1908.11860 (2019). [PDF]

Berr-pt (resmi)

Xu, Hu, et al. "Bert pasca-pelatihan untuk pemahaman bacaan ulasan dan analisis sentimen berbasis aspek." ARXIV Preprint ARXIV: 1904.02232 (2019). [PDF]

ABSA-BERT-PAIR (resmi)

Sun, Chi, Luyao Huang, dan Xipeng Qiu. "Memanfaatkan Bert untuk analisis sentimen berbasis aspek melalui membangun kalimat tambahan." ARXIV Preprint ARXIV: 1903.09588 (2019). [PDF]

LCF-BERT (lcf_bert.py) (resmi)

Zeng Biqing, Yang Heng, dkk. "LCF: Mekanisme Fokus Konteks Lokal untuk Klasifikasi Sentimen Berbasis Aspek." Ilmu Terapan. 2019, 9, 3389. [PDF]

Aen-Bert (Aen.py)

Lagu, YouWei, dkk. "Jaringan Encoder Attential untuk klasifikasi sentimen yang ditargetkan." ARXIV Preprint ARXIV: 1902.09314 (2019). [PDF]

Bert untuk Kalif Kalif Kalimat (Bert_spc.py)

Devlin, Jacob, dkk. "Bert: Pra-pelatihan transformator dua arah yang dalam untuk pemahaman bahasa." ARXIV Preprint ARXIV: 1810.04805 (2018). [PDF]

Model berbasis non-Bert

Asgcn (asgcn.py) (resmi)

Zhang, Chen, dkk. "Klasifikasi sentimen berbasis aspek dengan jaringan konvolusional grafik khusus aspek." Prosiding Konferensi 2019 tentang metode empiris dalam pemrosesan bahasa alami. 2019. [PDF]

Mgan (mgan.py)

Fan, Feifan, dkk. "Jaringan Perhatian Multi-Dinas untuk Klasifikasi Sentimen Tingkat Aspek." Prosiding Konferensi 2018 tentang metode empiris dalam pemrosesan bahasa alami. 2018. [PDF]

AOA (aoa.py)

Huang, Binxuan, dkk. "Klasifikasi sentimen tingkat aspek dengan jaringan saraf perhatian-perhatian." ARXIV Preprint ARXIV: 1804.06536 (2018). [PDF]

Tnet (tnet_lf.py) (resmi)

Li, Xin, et al. "Jaringan Transformasi untuk Klasifikasi Sentimen Berorientasi Target." ARXIV Preprint ARXIV: 1805.01086 (2018). [PDF]

Cabasc (Cabasc.py)

Liu, Qiao, dkk. "Model Perhatian Konten untuk Analisis Sentimen Berbasis Aspek." Prosiding World Wide Web Conference 2018 di World Wide Web. Komite Pengarah Konferensi Web Luas Internasional, 2018.

RAM (RAM.PY)

Chen, Peng, et al. "Jaringan perhatian berulang pada memori untuk analisis sentimen aspek." Prosiding Konferensi 2017 tentang metode empiris dalam pemrosesan bahasa alami. 2017. [PDF]

Memnet (memnet.py) (resmi)

Tang, Duyu, B. Qin, dan T. Liu. "Klasifikasi sentimen tingkat aspek dengan jaringan memori yang dalam." Konferensi metode empiris dalam pemrosesan bahasa alami 2016: 214-224. [PDF]

Ian (Ian.py)

MA, Dehong, dkk. "Jaringan perhatian interaktif untuk klasifikasi sentimen tingkat aspek." ARXIV Preprint ARXIV: 1709.00893 (2017). [PDF]

ATAE-LSTM (ATAE_LSTM.PY)

Wang, Yequan, Minlie Huang, dan Li Zhao. "LSTM berbasis perhatian untuk klasifikasi sentimen tingkat aspek." Prosiding Konferensi 2016 tentang metode empiris dalam pemrosesan bahasa alami. 2016.

TD-LSTM (td_lstm.py, tc_lstm.py) (resmi)

Tang, Duyu, dkk. "LSTM yang efektif untuk klasifikasi sentimen yang bergantung pada target." Prosiding Coling 2016, Konferensi Internasional ke -26 tentang Linguistik Komputasi: Makalah Teknis. 2016. [PDF]

LSTM (LSTM.PY)

Hochreiter, Sepp, dan Jürgen Schmidhuber. "Memori jangka pendek yang panjang." Neural Computation 9.8 (1997): 1735-1780. [PDF]

Catatan Berlari dengan RTX30*

Jika Anda berjalan pada seri RTX30 mungkin ada beberapa masalah kompatibilitas antara versi obor yang diinstal/diperlukan, CUDA. Dalam hal ini coba gunakan requirements_rtx30.txt alih -alih requirements.txt .