ABSA PyTorch

Absa-Pytorch

측면 기반 감정 분석, Pytorch 구현.

基于方面的情感分析 基于方面的情感分析, 使用 Pytorch 实现。

요구 사항

• Pytorch> = 0.4.0
• Numpy> = 1.13.3
• 스카리
• 파이썬 3.6 / 3.7
• 변압기

요구 사항을 설치하려면 pip install -r requirements.txt 실행하십시오.

• 비 베르트 기반 모델의 경우 장갑 사전 훈련 된 단어 벡터가 필요합니다. 자세한 내용은 data_utils.py를 참조하십시오.

용법

훈련

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

• 구현 된 모든 모델은 모델 디렉토리에 나열되어 있습니다.
• 더 많은 훈련 논쟁은 Train.py를 참조하십시오.
• K- 폴드 크로스 검증 지원은 Train_K_FOLD_CROSS_VAL.PY를 참조하십시오.

추론

• 비 베르트 기반 모델과 BERT 기반 모델 모두에 대해서는 LETER_EXALLE.PY를 참조하십시오.

팁

• 비 베르트 기반 모델의 경우 교육 절차는 안정적이지 않습니다.
• Bert 기반 모델은 소규모 데이터 세트에서 과복 미터 (특히 학습 속도)에 더 민감합니다.이 문제를 참조하십시오.
• Bert의 진정한 힘을 공개하려면 특정 작업에 대한 미세 조정이 필요합니다.

뼈대

유연한 훈련/추론 및 종횡비 추출의 경우이 저장소의 모든 모델을 포함하는 Pyabsa를 사용해보십시오.

검토 / 설문 조사

Qiu, Xipeng 등 "자연어 처리를위한 미리 훈련 된 모델 : 설문 조사." Arxiv preprint arxiv : 2003.08271 (2020). [PDF]

Zhang, Lei, Shuai Wang 및 Bing Liu. "감정 분석을위한 딥 러닝 : 설문 조사." Arxiv preprint arxiv : 1801.07883 (2018). [PDF]

Young, Tom, et al. "딥 러닝 기반 자연 언어 처리의 최근 동향." Arxiv preprint arxiv : 1708.02709 (2017). [PDF]

버트 기반 모델

버트 아다 (공식)

Rietzler, Alexander 등 "적응 또는 남은 뒤에 : Bert 언어 모델을 통한 도메인 적응은 종횡비 표적 감정 분류를위한 미세 조정." Arxiv preprint arxiv : 1908.11860 (2019). [PDF]

BERR-PT (공식)

Xu, Hu, et al. "검토 읽기 이해력 및 종횡비 기반 감정 분석을위한 Bert 사후 훈련." Arxiv preprint arxiv : 1904.02232 (2019). [PDF]

Absa-Bert-Pair (공식)

Sun, Chi, Luyao Huang 및 Xipeng Qiu. "보조 문장을 구성함으로써 측면 기반 감정 분석을 위해 Bert 사용." Arxiv preprint arxiv : 1903.09588 (2019). [PDF]

lcf-bert (lcf_bert.py) (공식)

Zeng Biqing, Yang Heng 등 "LCF : 종전 기반 감정 분류를위한 국소 문맥 초점 메커니즘." 응용 과학. 2019, 9, 3389. [PDF]

Aen-Bert (aen.py)

노래, Youwei 등 "표적 감정 분류를위한 주의력 인코더 네트워크." Arxiv preprint arxiv : 1902.09314 (2019). [PDF]

문장 쌍 분류를위한 Bert (bert_spc.py)

Devlin, Jacob 등 "버트 : 언어 이해를위한 깊은 양방향 변압기의 사전 훈련." Arxiv preprint arxiv : 1810.04805 (2018). [PDF]

비 베르트 기반 모델

ASGCN (ASGCN.PY) (공식)

Zhang, Chen, et al. "측면 별 그래프 컨볼 루션 네트워크를 사용한 종횡비 기반 감정 분류." 자연 언어 처리의 경험적 방법에 관한 2019 회의의 절차. 2019. [PDF]

MGAN (mgan.py)

Fan, Feifan 등. "측면 수준의 감정 분류를위한 다단계주의 네트워크." 자연 언어 처리의 경험적 방법에 관한 2018 회의의 절차. 2018. [PDF]

AOA (aoa.py)

Huang, Binxuan 등. "주의를 기울이는 신경 네트워크를 사용한 종횡비 수준의 감정 분류." Arxiv preprint arxiv : 1804.06536 (2018). [PDF]

tnet (tnet_lf.py) (공식)

Li, Xin 등 "목표 지향 감정 분류를위한 변환 네트워크." Arxiv preprint arxiv : 1805.01086 (2018). [PDF]

Cabasc (Cabasc.py)

Liu, Qiao 등 "종횡비 기반 감정 분석을위한 내용주의 모델." 월드 와이드 웹에서 2018 월드 와이드 웹 컨퍼런스의 절차. 국제 월드 와이드 웹 컨퍼런스 운영위원회, 2018.

램 (ram.py)

Chen, Peng, et al. "측면 감정 분석을위한 메모리에 대한 반복주의 ​​네트워크." 자연 언어 처리의 경험적 방법에 관한 2017 회의의 절차. 2017. [PDF]

memnet (memnet.py) (공식)

Tang, Duyu, B. Qin 및 T. Liu. "딥 메모리 네트워크를 통한 측면 수준의 감정 분류." 자연 언어 처리의 경험적 방법에 관한 회의 2016 : 214-224. [PDF]

Ian (Ian.py)

Ma, Dehong 등 "측면 수준의 감정 분류를위한 대화식주의 네트워크." Arxiv preprint arxiv : 1709.00893 (2017). [PDF]

atae-lstm (atae_lstm.py)

Wang, Yequan, Minlie Huang 및 Li Zhao. "측면 수준의 감정 분류를위한주의 기반 LSTM." 자연 언어 처리의 경험적 방법에 관한 2016 회의의 절차. 2016.

td-lstm (td_lstm.py, tc_lstm.py) (공식)

Tang, Duyu 등 "목표 의존적 감정 분류를위한 효과적인 LSTM." Coling 2016의 절차, 제 26 차 국제 계산 언어학 회의 : 기술 논문. 2016. [PDF]

lstm (lstm.py)

Hochreiter, Sepp 및 Jürgen Schmidhuber. "긴 단기 기억." 신경 계산 9.8 (1997) : 1735-1780. [PDF]

RTX30으로 실행 중*

RTX30 시리즈에서 실행중인 경우 설치/필수 버전의 Torch, Cuda 사이에 호환성 문제가있을 수 있습니다. 이 경우 requirements.txt 대신 요구 사항 requirements_rtx30.txt 사용해보십시오.

기고자

이 멋진 사람들에게 감사합니다.

알베르토 파즈	Jiangtao	Whereismyhead	Songyouwei	양고 겐	Rmarcacini	Yikai Zhang
Alexey Naiden	Hbeybutyan	프라데시

이 프로젝트는 All-Contritors 사양을 따릅니다. 모든 종류의 공헌을 환영합니다!

특허

MIT