Context-Aware Dynamic Word Embeddings for Aspect Term Extraction

计算机科学 嵌入 文字嵌入 背景(考古学) 词(群论) 期限(时间) 领域(数学分析) 人工智能 自然语言处理 卷积神经网络 编码(集合论) 理论计算机科学 数学 程序设计语言 物理 几何学 集合(抽象数据类型) 量子力学 生物 古生物学 数学分析
作者
Jingyun Xu,Jiayuan Xie,Yi Cai,Zehang Lin,Ho-fung Leung,Qing Li,Tat‐Seng Chua
出处
期刊:IEEE Transactions on Affective Computing [Institute of Electrical and Electronics Engineers]
卷期号:15 (1): 144-156 被引量:2
标识
DOI:10.1109/taffc.2023.3262941
摘要

The aspect term extraction (ATE) task aims to extract aspect terms describing a part or an attribute of a product from review sentences. Most existing works rely on either general or domain embedding to address this problem. Despite the promising results, the importance of general and domain embeddings is still ignored by most methods, resulting in degraded performances. Besides, word embedding is also related to downstream tasks, and how to regularize word embeddings to capture context-aware information is an unresolved problem. To solve these issues, we first propose context-aware dynamic word embedding (CDWE), which could simultaneously consider general meanings, domain-specific meanings, and the context information of words. Based on CDWE, we propose an attention-based convolution neural network, called ADWE-CNN for ATE, which could adaptively capture the previous meanings of words by utilizing an attention mechanism to assign different importance to the respective embeddings. The experimental results show that ADWE-CNN achieves a comparable performance with the state-of-the-art approaches. Various ablation studies have been conducted to explore the benefit of each component. Our code is publicly available at http://github.com/xiejiajia2018/ADWE-CNN .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Harevin发布了新的文献求助10
1秒前
万能图书馆应助S杨采纳,获得10
1秒前
1秒前
Neew完成签到 ,获得积分10
1秒前
2秒前
英俊的铭应助箱子采纳,获得10
2秒前
Hello应助啊南采纳,获得10
2秒前
星辰大海应助qucheng采纳,获得10
3秒前
骆欣怡完成签到 ,获得积分10
3秒前
3秒前
天空之城完成签到,获得积分10
3秒前
执着的秋柳完成签到,获得积分10
3秒前
zhaobo发布了新的文献求助10
3秒前
3秒前
wuhao0118发布了新的文献求助10
4秒前
4秒前
4秒前
平淡的依秋完成签到,获得积分10
4秒前
4秒前
5秒前
小小发布了新的文献求助10
5秒前
5秒前
无私迎海完成签到,获得积分10
6秒前
杨琴完成签到,获得积分10
6秒前
Miracle发布了新的文献求助10
6秒前
6秒前
yyc666发布了新的文献求助10
7秒前
科研通AI2S应助霸气的友灵采纳,获得10
7秒前
vicky给vicky的求助进行了留言
7秒前
8秒前
evelyn发布了新的文献求助10
8秒前
Orange应助zhaobo采纳,获得10
8秒前
Tangerine完成签到 ,获得积分10
9秒前
pluto应助冷静映安采纳,获得10
9秒前
9秒前
S杨完成签到,获得积分10
10秒前
烟花应助爱科研的粥粥采纳,获得10
10秒前
10秒前
研友_LX66qZ完成签到,获得积分10
10秒前
xiaoliuyaouli完成签到,获得积分10
11秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245368
求助须知:如何正确求助?哪些是违规求助? 2888984
关于积分的说明 8256491
捐赠科研通 2557345
什么是DOI,文献DOI怎么找? 1386046
科研通“疑难数据库(出版商)”最低求助积分说明 650285
邀请新用户注册赠送积分活动 626540