ABSA PyTorch

absa-pytorch

การวิเคราะห์ความเชื่อมั่นตามมุมมองการใช้งาน Pytorch

基于方面的情感分析， 使用 pytorch 实现。

ความต้องการ

• pytorch> = 0.4.0
• numpy> = 1.13.3
• Sklearn
• Python 3.6 / 3.7
• หม้อแปลงไฟฟ้า

ในการติดตั้งข้อกำหนดให้เรียกใช้ pip install -r requirements.txt

• สำหรับโมเดลที่ไม่ใช่เบิร์ตจำเป็นต้องใช้เวกเตอร์คำที่ผ่านการฝึกอบรมมาแล้วโปรดดูที่ data_utils.py สำหรับรายละเอียดเพิ่มเติม

การใช้งาน

การฝึกอบรม

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

• โมเดลที่ใช้งานทั้งหมดแสดงอยู่ในไดเรกทอรีโมเดล
• ดู Train.py สำหรับข้อโต้แย้งการฝึกอบรมเพิ่มเติม
• อ้างถึง train_k_fold_cross_val.py สำหรับการสนับสนุนการตรวจสอบความถูกต้องของ K-fold Cross

การอนุมาน

• อ้างถึง infer_example.py สำหรับทั้งรุ่นที่ไม่ใช่เบิร์ตและรุ่นที่ใช้ Bert

เคล็ดลับ

• สำหรับโมเดลที่ไม่ใช่เบิร์ตขั้นตอนการฝึกอบรมไม่มั่นคงมาก
• โมเดลที่ใช้ BERT มีความไวต่อพารามิเตอร์มากขึ้น (โดยเฉพาะอัตราการเรียนรู้) ในชุดข้อมูลขนาดเล็กดูปัญหานี้
• การปรับแต่งอย่างละเอียดเกี่ยวกับงานเฉพาะเป็นสิ่งจำเป็นสำหรับการปล่อยพลังที่แท้จริงของเบิร์ต

กรอบ

สำหรับการฝึกอบรม/การอนุมานที่ยืดหยุ่นและการแยกคำศัพท์ให้ลอง PYABSA ซึ่งรวมถึงแบบจำลองทั้งหมดในที่เก็บนี้

บทวิจารณ์ / การสำรวจ

Qiu, Xipeng, et al. "โมเดลที่ผ่านการฝึกอบรมมาล่วงหน้าสำหรับการประมวลผลภาษาธรรมชาติ: การสำรวจ" arxiv preprint arxiv: 2003.08271 (2020) [PDF]

Zhang, Lei, Shuai Wang และ Bing Liu "การเรียนรู้อย่างลึกซึ้งสำหรับการวิเคราะห์ความเชื่อมั่น: การสำรวจ" arxiv preprint arxiv: 1801.07883 (2018) [PDF]

Young, Tom, et al. "แนวโน้มล่าสุดในการประมวลผลภาษาธรรมชาติที่เรียนรู้อย่างลึกซึ้ง" arxiv preprint arxiv: 1708.02709 (2017) [PDF]

รุ่นที่ใช้ Bert

Bert-Ada (เป็นทางการ)

Rietzler, Alexander, et al. "ปรับตัวหรือถูกทิ้งไว้ข้างหลัง: การปรับโดเมนผ่านแบบจำลองภาษาเบิร์ต finetuning สำหรับการจำแนกความเชื่อมั่นในมุมมองเป้าหมาย" arxiv preprint arxiv: 1908.11860 (2019) [PDF]

Berr-pt (เป็นทางการ)

Xu, Hu, et al. "Bert หลังการฝึกอบรมเพื่อตรวจสอบความเข้าใจการอ่านและการวิเคราะห์ความเชื่อมั่นตามมุมมอง" arxiv preprint arxiv: 1904.02232 (2019) [PDF]

Absa-Bert-Pair (เป็นทางการ)

Sun, Chi, Luyao Huang และ Xipeng Qiu "การใช้เบิร์ตสำหรับการวิเคราะห์ความเชื่อมั่นตามมุมมองผ่านการสร้างประโยคเสริม" arxiv preprint arxiv: 1903.09588 (2019) [PDF]

LCF-BERT (LCF_BERT.PY) (เป็นทางการ)

Zeng Biqing, Yang Heng, et al. "LCF: กลไกการมุ่งเน้นบริบทท้องถิ่นสำหรับการจำแนกความเชื่อมั่นตามมุมมอง" วิทยาศาสตร์ประยุกต์ 2019, 9, 3389. [PDF]

Aen-Bert (aen.py)

เพลง, Youwei, et al. "เครือข่ายเข้ารหัสแบบตั้งใจสำหรับการจำแนกความเชื่อมั่นที่กำหนดเป้าหมาย" arxiv preprint arxiv: 1902.09314 (2019) [PDF]

เบิร์ตสำหรับการจำแนกคู่ประโยค (bert_spc.py)

Devlin, Jacob, et al. "เบิร์ต: การฝึกอบรมหม้อแปลงสองทิศทางลึกเพื่อความเข้าใจภาษา" arxiv preprint arxiv: 1810.04805 (2018) [PDF]

โมเดลที่ไม่ใช่เบิร์ต

ASGCN (asgcn.py) (เป็นทางการ)

จางเฉินและคณะ "การจำแนกความเชื่อมั่นตามมุมมองด้วยเครือข่ายกราฟที่เฉพาะเจาะจงในแง่มุม" การดำเนินการของการประชุมปี 2019 เกี่ยวกับวิธีการเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ 2019. [PDF]

mgan (mgan.py)

Fan, Feifan, et al. "เครือข่ายความสนใจแบบหลายระดับสำหรับการจำแนกความเชื่อมั่นระดับแง่มุม" การดำเนินการของการประชุมปี 2018 เกี่ยวกับวิธีการเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ 2018. [PDF]

AOA (aoa.py)

Huang, Binxuan, et al. "การจำแนกความเชื่อมั่นในระดับมุมมองด้วยเครือข่ายประสาทที่ให้ความสนใจ" arxiv preprint arxiv: 1804.06536 (2018) [PDF]

TNET (TNET_LF.PY) (เป็นทางการ)

Li, Xin, et al. "เครือข่ายการแปลงสำหรับการจำแนกความเชื่อมั่นที่มุ่งเน้นเป้าหมาย" arxiv preprint arxiv: 1805.01086 (2018) [PDF]

cabasc (cabasc.py)

Liu, Qiao, et al. "รูปแบบความสนใจเนื้อหาสำหรับการวิเคราะห์ความเชื่อมั่นตามแง่มุม" การดำเนินการประชุม World Wide Web Conference 2018 บนเวิลด์ไวด์เว็บ คณะกรรมการกำกับการประชุม World World World World, 2018

Ram (ram.py)

Chen, Peng, et al. "เครือข่ายความสนใจซ้ำ ๆ ในหน่วยความจำสำหรับการวิเคราะห์ความเชื่อมั่น" การประชุมวิชาการปี 2560 เกี่ยวกับวิธีการเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ 2017. [PDF]

memnet (memnet.py) (เป็นทางการ)

Tang, Duyu, B. Qin และ T. Liu "การจำแนกระดับความเชื่อมั่นในระดับมุมมองด้วยเครือข่ายหน่วยความจำลึก" การประชุมวิธีการเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ 2016: 214-224 [PDF]

Ian (Ian.py)

MA, Dehong, et al. "เครือข่ายความสนใจแบบโต้ตอบสำหรับการจำแนกความเชื่อมั่นระดับแง่มุม" arxiv preprint arxiv: 1709.00893 (2017) [PDF]

atae-lstm (atae_lstm.py)

Wang, Yequan, Minlie Huang และ Li Zhao "LSTM ที่ใช้ความสนใจสำหรับการจำแนกความเชื่อมั่นระดับแง่มุม" การประชุมวิชาการปี 2559 เกี่ยวกับวิธีการเชิงประจักษ์ในการประมวลผลภาษาธรรมชาติ 2559.

TD-LSTM (TD_LSTM.PY, TC_LSTM.PY) ​​(เป็นทางการ)

Tang, Duyu, et al. "LSTM ที่มีประสิทธิภาพสำหรับการจำแนกความเชื่อมั่นขึ้นอยู่กับเป้าหมาย" การดำเนินการของ Coling 2016 การประชุมนานาชาติครั้งที่ 26 เรื่องภาษาศาสตร์เชิงคำนวณ: เอกสารทางเทคนิค 2016. [PDF]

LSTM (LSTM.PY)

Hochreiter, Sepp และJürgen Schmidhuber "หน่วยความจำระยะสั้นยาว" การคำนวณระบบประสาท 9.8 (1997): 1735-1780 [PDF]

หมายเหตุเกี่ยวกับการทำงานด้วย RTX30*

หากคุณใช้งานในซีรี่ส์ RTX30 อาจมีปัญหาความเข้ากันได้ระหว่างคบเพลิงที่ติดตั้ง/เวอร์ชันที่ต้องการ CUDA ในกรณีนั้นลองใช้ requirements_rtx30.txt แทน requirements.txt . txt

ผู้มีส่วนร่วม

ขอบคุณไปกับคนที่ยอดเยี่ยมเหล่านี้:

Alberto Paz	เจียงตา	ซึ่งหัว	songyouwei	ประเทศยวนชิง	Rmarcacini	อริคาน
Alexey Naiden	Hbeybutyan	pradeesh

โครงการนี้เป็นไปตามข้อกำหนดทั้งหมดของผู้เข้าร่วม การมีส่วนร่วมทุกชนิดยินดีต้อนรับ!

ใบอนุญาต

มิกซ์