ABSA PyTorch

Absa-Pytorch

アスペクトベースの感情分析、Pytorchの実装。

基于方面的情感分析、使用pytorch实现。

要件

• pytorch> = 0.4.0
• numpy> = 1.13.3
• Sklearn
• Python 3.6 / 3.7
• トランス

要件をインストールするには、 pip install -r requirements.txtを実行します。txt。

• 非バートベースのモデルについては、グローブの事前訓練を受けた単語ベクトルが必要です。詳細については、data_utils.pyを参照してください。

使用法

トレーニング

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

• 実装されたすべてのモデルは、モデルディレクトリにリストされています。
• より多くのトレーニングの議論については、train.pyを参照してください。
• k-fold Cross Validation Supportについては、train_k_fold_cross_val.pyを参照してください。

推論

• 非バートベースのモデルとBERTベースのモデルの両方については、yems_example.pyを参照してください。

ヒント

• 非バートベースのモデルの場合、トレーニング手順はあまり安定していません。
• BERTベースのモデルは、小さなデータセットのハイパーパラメーター（特に学習率）により敏感です。この問題を参照してください。
• 特定のタスクの微調整は、バートの真の力を解放するために必要です。

フレームワーク

柔軟なトレーニング/推論とアスペクト用語抽出については、このリポジトリのすべてのモデルを含むPyabsaを試してください。

レビュー /調査

Qiu、Xipeng、et al。 「自然言語処理のための事前に訓練されたモデル：調査。」 Arxiv Preprint arxiv：2003.08271（2020）。 [PDF]

Zhang、Lei、Shuai Wang、およびBing Liu。 「センチメント分析のための深い学習：調査。」 Arxiv Preprint arxiv：1801.07883（2018）。 [PDF]

Young、Tom、et al。 「深い学習ベースの自然言語処理の最近の傾向。」 Arxiv Preprint arxiv：1708.02709（2017）。 [PDF]

バートベースのモデル

Bert-Ada（公式）

Rietzler、Alexander、et al。 「適応または取り残される：アスペクトターゲットセンチメント分類のためのBert Language Model Model Finetuningを通じてドメインの適応。」 Arxiv Preprint arxiv：1908.11860（2019）。 [PDF]

Berr-Pt（公式）

Xu、Hu、et al。 「レビューの読解とアスペクトベースの感情分析のためのトレーニング後のバート。」 Arxiv Preprint Arxiv：1904.02232（2019）。 [PDF]

アブサバートペア（公式）

太陽、チー、ルヤオフアン、Xipeng Qiu。 「補助文の構築によるアスペクトベースの感情分析のためにBERTを利用します。」 Arxiv Preprint Arxiv：1903.09588（2019）。 [PDF]

lcf-bert（lcf_bert.py）（公式）

Zeng Biqing、Yang Heng、他「LCF：アスペクトベースの感情分類のためのローカルコンテキストフォーカスメカニズム。」応用科学。 2019、9、3389。[PDF]

aen-bert（aen.py）

歌、youie、et al。 「ターゲットセンチメント分類のための注意エンコーダーネットワーク。」 Arxiv Preprint Arxiv：1902.09314（2019）。 [PDF]

文のペア分類のためのbert（bert_spc.py）

Devlin、Jacob、et al。 「バート：言語理解のための深い双方向変圧器の事前訓練。」 Arxiv Preprint arxiv：1810.04805（2018）。 [PDF]

非バートベースのモデル

asgcn（asgcn.py）（公式）

チャン、チェン他「アスペクト固有のグラフ畳み込みネットワークを使用したアスペクトベースの感情分類。」自然言語処理における経験的方法に関する2019年の会議の議事録。 2019。[PDF]

Mgan（Mgan.py）

ファン、フェイファン他「アスペクトレベルの感情分類のためのマルチグレインの注意ネットワーク。」自然言語処理における経験的方法に関する2018年の会議の議事録。 2018。[PDF]

aoa（aoa.py）

Huang、Binxuan、et al。 「アスペクトレベルのセンチメントの分類分類と出席したニューラルネットワーク。」 Arxiv Preprint arxiv：1804.06536（2018）。 [PDF]

tnet（tnet_lf.py）（公式）

Li、Xin、et al。 「ターゲット指向のセンチメント分類のための変換ネットワーク。」 Arxiv Preprint arxiv：1805.01086（2018）。 [PDF]

cabasc（cabasc.py）

Liu、Qiao、et al。 「アスペクトベースの感情分析のコンテンツ注意モデル。」 World Wide Webでの2018 World Wide Web会議の議事録。国際ワールドワイドウェブ会議運営委員会、2018年。

ラム（ram.py）

チェン、ペン、他「アスペクト感情分析のためのメモリ上の再発注意ネットワーク。」自然言語処理における経験的方法に関する2017年の会議の議事録。 2017。[PDF]

memnet（memnet.py）（公式）

Tang、Duyu、B。Qin、およびT. Liu。 「ディープメモリネットワークを備えたアスペクトレベルのセンチメント分類。」自然言語処理における経験的方法に関する会議2016：214-224。 [PDF]

イアン（ian.py）

Ma、Dehong、et al。 「アスペクトレベルのセンチメント分類のためのインタラクティブな注意ネットワーク。」 Arxiv Preprint arxiv：1709.00893（2017）。 [PDF]

atae-lstm（atae_lstm.py）

王、Yequan、Minlie Huang、Li Zhao。 「アスペクトレベルの感情分類のための注意ベースのLSTM。」自然言語処理における経験的方法に関する2016年の会議の議事録。 2016年。

TD-LSTM（TD_LSTM.PY、TC_LSTM.PY）（公式）

Tang、Duyu、et al。 「ターゲット依存性感情分類のための有効なLSTM。」 Coling 2016の議事録、計算言語学に関する第26回国際会議：技術論文。 2016。[PDF]

LSTM（lstm.py）

Hochreiter、Sepp、およびJürgenSchmidhuber。 「長期的な記憶。」ニューラル計算9.8（1997）：1735-1780。 [PDF]

RTX30*での実行に関するメモ*

RTX30シリーズで実行している場合、インストールされている/必要なバージョンのTorch、Cudaの間にいくつかの互換性の問題があるかもしれません。その場合、 requirements.txtの代わりにrequirements_rtx30.txtを使用してみてください。

貢献者

これらの素晴らしい人々に感謝します：

アルベルト・パス	江田	whereismyhead	songyouwei	ヤンゲン	rmarcacini	Yikai Zhang
アレクセイ・ナイデン	Hbeybutyan	プラデシュ

このプロジェクトは、全委員会の仕様に従います。あらゆる種類の貢献を歓迎します！

ライセンス

mit