ABSA PyTorch

АБСА-ПИТОРЧ

Анализ настроений на основе аспектов, реализации Pytorch.

基于方面的情感分析 ， 使用 Pytorch 实现。

Требование

• Pytorch> = 0,4,0
• Numpy> = 1.13.3
• Sklearn
• Python 3.6 / 3.7
• Трансформеры

Чтобы установить требования, запустите pip install -r requirements.txt .

• Для моделей, не являющихся на основе базы, требуются предварительно обученные векторы слов перчаток, пожалуйста, обратитесь к DATA_UTILS.PY для получения более подробной информации.

Использование

Обучение

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

• Все реализованные модели перечислены в каталоге моделей.
• См. Train.py для получения дополнительных учебных аргументов.
• Обратитесь к Train_k_fold_cross_val.py для поддержки перекрестной проверки K-Fold.

Вывод

• Обратитесь к infer_example.py как для моделей, не являющихся на основе Берта, так и для моделей на основе BERT.

Советы

• Для моделей, не являющихся базовыми, процедура обучения не очень стабильна.
• Модели на основе BERT более чувствительны к гиперпараметрам (особенно скорости обучения) на небольших наборах данных, см. Эта проблема.
• Точная настройка конкретной задачи необходима для выпуска истинной силы Берта.

Рамки

Для гибкого обучения/вывода и извлечения аспектов, попробуйте Pyabsa, которая включает в себя все модели в этом хранилище.

Обзоры / опросы

Qiu, Xipeng, et al. «Предварительно обученные модели для обработки естественного языка: опрос». Arxiv Preprint arxiv: 2003.08271 (2020). [PDF]

Чжан, Лей, Шуай Ван и Бинг Лю. «Глубокое обучение для анализа настроений: опрос». Arxiv Preprint Arxiv: 1801.07883 (2018). [PDF]

Янг, Том и др. «Недавние тенденции в обработке естественного языка на основе глубокого обучения». Arxiv Preprint arxiv: 1708.02709 (2017). [PDF]

Модели на основе Берта

Берт-Ада (официальный)

Rietzler, Alexander, et al. «Адаптировать или остаться позади: адаптация домена через BERT Language Model Model для классификации настроений с аспектами». Arxiv Preprint arxiv: 1908.11860 (2019). [PDF]

Berr-pt (официальный)

Сюй, Ху и др. «Берт после тренировки для обзора понимания прочитанного и анализа настроений на основе аспектов». Arxiv Preprint arxiv: 1904.02232 (2019). [PDF]

Absa-Bert-Pair (официальное)

Sun, Chi, Luyao Huang и Xipeng Qiu. «Использование BERT для анализа настроений на основе аспектов посредством построения вспомогательного предложения». Arxiv Preprint arxiv: 1903.09588 (2019). [PDF]

Lcf-bert (lcf_bert.py) (официальное)

Zeng Bizing, Yang Heng, et al. «LCF: локальный контекстный механизм фокусировки для классификации настроений на основе аспектов». Прикладные науки. 2019, 9, 3389. [PDF]

Эен-берт (aen.py)

Song, Youwei, et al. «Сеть энкодеров внимания для классификации целевых настроений». Arxiv Preprint arxiv: 1902.09314 (2019). [PDF]

Берт для классификации пары предложений (bert_spc.py)

Devlin, Jacob, et al. «Берт: предварительное обучение глубоких двунаправленных трансформаторов для понимания языка». Arxiv Preprint arxiv: 1810.04805 (2018). [PDF]

Модели без берта

Asgcn (asgcn.py) (официальное)

Zhang, Chen, et al. «Классификация настроений на основе аспектов с специфичными для аспектами графических сверточных сетей». Материалы конференции 2019 года по эмпирическим методам в обработке естественного языка. 2019. [PDF]

Mgan (mgan.py)

Fan, Feifan, et al. «Многоцелевая сеть внимания для классификации настроений на уровне аспекта». Материалы конференции 2018 года по эмпирическим методам в обработке естественного языка. 2018. [PDF]

Aoa (aoa.py)

Huang, Binxuan, et al. «Классификация настроений аспекта с нейтральными сетями на уровне». Arxiv Preprint arxiv: 1804.06536 (2018). [PDF]

Tnet (tnet_lf.py) (официально)

Ли, Синь и др. «Сети преобразования для классификации настроений, ориентированных на целевые,». Arxiv Preprint arxiv: 1805.01086 (2018). [PDF]

Cabasc (cabasc.py)

Лю, Цяо и др. «Модель внимания контента для анализа настроений на основе аспектов». Материалы Всемирной конференции World Wide World Conference 2018 года. Международные конференции по всему миру Руководящий комитет, 2018.

Ram (ram.py)

Chen, Peng, et al. «Рецидивирующая сеть внимания по памяти для анализа настроений аспектов». Материалы конференции 2017 года по эмпирическим методам в обработке естественного языка. 2017. [PDF]

Memnet (memnet.py) (официальное)

Тан, Дую, Б. Цинь и Т. Лю. «Классификация настроений аспекта с глубокой сетью памяти». Конференция по эмпирическим методам в обработке естественного языка 2016: 214-224. [PDF]

Ян (ian.py)

MA, Dehong, et al. «Интерактивные сети внимания для классификации настроений на уровне аспекта». Arxiv Preprint arxiv: 1709.00893 (2017). [PDF]

Atae-lstm (atae_lstm.py)

Ван, Йекан, Минли Хуан и Ли Чжао. «Основанный на внимании LSTM для классификации настроений на уровне аспекта». Материалы конференции 2016 года по эмпирическим методам в обработке естественного языка. 2016

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

Тан, Дую и др. «Эффективные LSTM для классификации целевых настроений». Материалы Coling 2016, 26 -я Международная конференция по вычислительной лингвистике: технические документы. 2016. [PDF]

LSTM (LSTM.PY)

Хохрейтер, Сепп и Юрген Шмидхубер. «Длинная кратковременная память». Нейронные вычисления 9,8 (1997): 1735-1780. [PDF]

Примечание при запуске с RTX30*

Если вы работаете в серии RTX30, могут возникнуть некоторые проблемы с совместимостью между установленными/требуемыми версиями Torch, CUDA. В этом случае попробуйте использовать requirements_rtx30.txt вместо requirements.txt .

Участники

Спасибо этим замечательным людям:

Альберто Паз	Цзянтао	Где -то	Songyouwei	Янгенг	Rmarcacini	Yikai Zhang
Алексей Найден	Hbeybutyan	Прадиш

Этот проект следует за спецификацией всех контролей. Взносы любого вида приветствуются!

Лицензия

Грань