Improving Aspect-Based Sentiment with End-to-End Semantic Role Labeling Model

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970051" target="_blank" >RIV/49777513:23520/23:43970051 - isvavai.cz</a>

Výsledek na webu

<a href="https://aclanthology.org/2023.ranlp-1.96/" target="_blank" >https://aclanthology.org/2023.ranlp-1.96/</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.26615/978-954-452-092-2_096" target="_blank" >10.26615/978-954-452-092-2_096</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Improving Aspect-Based Sentiment with End-to-End Semantic Role Labeling Model

Popis výsledku v původním jazyce

This paper presents a series of approaches aimed at enhancing the performance of Aspect-Based Sentiment Analysis (ABSA) by utilizing extracted semantic information from a Semantic Role Labeling (SRL) model. We propose a novel end-to-end Semantic Role Labeling model that effectively captures most of the structured semantic information within the Transformer hidden state. We believe that this end-to-end model is well-suited for our newly proposed models that incorporate semantic information. We evaluate the proposed models in two languages, English and Czech, employing ELECTRA-small models. Our combined models improve ABSA performance in both languages. Moreover, we achieved new state-of-the-art results on the Czech ABSA.

Název v anglickém jazyce

Improving Aspect-Based Sentiment with End-to-End Semantic Role Labeling Model

Popis výsledku anglicky

This paper presents a series of approaches aimed at enhancing the performance of Aspect-Based Sentiment Analysis (ABSA) by utilizing extracted semantic information from a Semantic Role Labeling (SRL) model. We propose a novel end-to-end Semantic Role Labeling model that effectively captures most of the structured semantic information within the Transformer hidden state. We believe that this end-to-end model is well-suited for our newly proposed models that incorporate semantic information. We evaluate the proposed models in two languages, English and Czech, employing ELECTRA-small models. Our combined models improve ABSA performance in both languages. Moreover, we achieved new state-of-the-art results on the Czech ABSA.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Deep Learning for Natural Language Processing Methods and Applications

ISBN

978-954-452-092-2

ISSN

1313-8502

e-ISSN

2603-2813

Počet stran výsledku

10

Strana od-do

888-897

Název nakladatele

INCOMA Ltd.

Místo vydání

Shoumen

Místo konání akce

Varna

Datum konání akce

4. 9. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—