【论文阅读】ACL 2019 - Sentiment Analysis and Argument Mining

  1. Are You Convinced? Choosing the More Convincing Evidence with a Siamese Network
       这篇文章是IBM的文章,关于论辩挖掘中的论辩的确定性判断。这篇文章的一个主要的工作就是构建了一个新的数据集。方法用了Siamese network(孪生网络)的改进版。

  2. From Surrogacy to Adoption; From Bitcoin to Cryptocurrency: Debate Topic Expansion
       这篇文章也是IBM的文章,提出在对一个有争议性的话题进行辩论时,可以扩展讨论的范围,即话题的延申。基于此观点,在维基百科上构建了一个新的数据集。

  3. Multimodal and Multi-view Models for Emotion Recognition
        这篇文章是关于多模态情感分类。这篇文章不是仅仅处理多模态任务,而针对现实中广泛存在的仅有语音但是没有文字的现象,进行情感分类。
        这篇文章中的multi-view包括两个部分:(1) 对多模态数据进行情感分类的部分,将每个词的BiLSTM表示和语音表示输入到GMU中,然后加attention、MLP和softmax;(2) 仅对语音数据进行情感分类。
        由于希望对进处理语音数据的模型来说,可以自己学习得到语义表示,所以希望这两个子模型的表示尽可能接近。为此提出了一个Multi-view训练的方法(我觉得主要贡献了)。

  4. Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts
        这篇文章之前有看过,笔记稍晚补上。

  5. Argument Invention from First Principles
        这篇文章又是IBM的一篇文章,这篇文章针对的是在debate中遇到不熟悉的topic应该怎么办。这篇文章的策略是基于辩论中的“第一原则”,即将不熟悉的topic和自己过往已经知道的topic联系起来。

  6. A Multilingual BPE Embedding Space for Universal Sentiment Lexicon Induction
        情感字典是情感分析领域一个重要的工具,但是对于很多语言来说,构建情感字典耗时耗力。这篇文章提出了一个构建大规模多语言情感字典的方法,同时也将代码和字典公开了。

  7. Tree Communication Models for Sentiment Analysis
        之前有文章提出了Tree-LSTM,这篇文章是在Tree-LSTM上的改进。Tree-LSTM通常是bottom-up的信息交换的模式,这篇论文提出了Tree Communication Model,增加了两个信息传递:(1) top-down;(2) self-self。实验结果比Tree-LSTM系列的方法好一点点。

  8. Improved Sentiment Detection via Label Transfer from Monolingual to Synthetic Code-Switched Text
        有些多语言技能的人在表达的时候也可能混杂着多语言,而这种情况下用之前单语言模型不能得到较好的识别结果。所以这篇文章提出了一种可以将单一语言文本转为生成的混合语言文本的方法,生成的文本还具有较高的质量。

  9. Exploring Sequence-to-Sequence Learning in Aspect Term Extraction
        这篇文章是北大和微软合作的论文,关于aspect抽取。这篇文章有三个创新点:(1) 将一个句子中的aspect抽取问题建模为一个Seq2Seq问题;(2) 针对这个问题提出了Gated unit networks(GUN);(3) 提出了position-aware attention,这个注意力机制在后面的aspect相关的论文中也被广泛使用。实验效果也很好。

  10. Aspect Sentiment Classification Towards Question-Answering with Reinforced Bidirectional Attention Network