تتكون مهمة تحليل المعنويات المستندة إلى جانب الجسيم من ثلاث مجموعات فرعية نموذجية: استخراج الأجل في الجانب، استخراج الأجل رأي، وتصنيف قطبية المعنويات.عادة ما يتم تنفيذ هذه المهن الفرعية الثلاثة بشكل مشترك لتوفير الموارد وتقليل انتشار الخطأ في خط الأن
ابيب.ومع ذلك، فإن معظم النماذج المشتركة الحالية تركز فقط على فوائد تقاسم التشفير بين المهن الفرعية ولكن تجاهل الفرق.لذلك، نقترح نموذجا مشتركا ABSA، والتي لا تتمتع فقط بمزايا تقاسم التشفير ولكنها تركز أيضا على الفرق لتحسين فعالية النموذج.بالتفصيل، نقدم تصميما مزدوجا للتشفير، حيث يركز تشفير الزوج بشكل خاص على تصنيف زوج الرأي في الجانب المرشح، والتشمس الأصلي يحتفظ بالاهتمام على وضع العلامات التسلسل.تظهر النتائج التجريبية أن طرازنا المقترح يظهر متانة ويتفوق بشكل كبير على الحالة السابقة من بين الفن في أربعة مجموعات بيانات معيار.
يهدف تحليل المعنويات إلى اكتشاف المشاعر الإجمالية، أي قطبية أو قطبية جملة أو فقرة أو نصية، دون النظر في الكيانات المذكورة وجوانبها. يهدف تحليل المعنويات القائم على الجانب إلى استخراج جوانب الكيانات المستهدفة المعينة مشاعرهم. يعمل بشكل مسبق على صياغة
هذه المشكلة بمثابة مشكلة في العلامات أو حل هذه المهمة باستخدام إطار المستخلص المستخرج ثم يستند إلى الفحص حيث يتم استخراج كل أهداف الرأي الأولى من الجملة، ثم بمساعدة تمثيل تمثيل، يتم تصنيف الأهداف على أنها إيجابية، سلبية، أو محايدة. تعاني مشكلة وضع العلامات على التسلسل من مشكلات مثل عدم تناسق المعنويات ومساحة البحث الهائل. في حين أن إطار المستخلصات المستخلصات القائم على الفستان يعاني من قضايا مثل تغطية نصف كلمة وإيواء متداخلة. للتغلب على هذا، نقترح إطار عمل مستخلص مستخلص مقرا له على أساسه مع رواية ومثبتة محسنة. تجارب في مجموعات البيانات القياسية الثلاثة (Restaurant14، Laptop14، Restaurant15) تظهر نموذجنا يتفوق باستمرار على الحالة الحالية من بين الفن. علاوة على ذلك، نقدم أيضا مراجعات أفلام مختلفة للإشراف على مجموعة بيانات (Movie20) ومراجعات فيلم Pseudo-Latceed DataSet (Movieslarge) صراحة لهذه المهمة والإبلاغ عن النتائج على مجموعة بيانات Movie20 الجديدة أيضا.
تحليل المعنويات المستندة إلى جانب الجسيم (ABASA)، تهدف إلى التنبؤ بأقطاب الجوانب، هي مهمة جيدة المحبوس في مجال تحليل المعنويات. وأظهر العمل السابق معلومات النحوية، على سبيل المثال أشجار التبعية، يمكن أن تحسن بشكل فعال أداء ABSA. في الآونة الأخيرة، أظ
هرت النماذج المدربة مسبقا (PTMS) أيضا فعاليتها على ABAMA. لذلك، تنشأ السؤال بشكل طبيعي ما إذا كانت PTMs تحتوي على معلومات نصنية كافية ل ABAMA حتى نتمكن من الحصول على نموذج ABSA جيد فقط بناء على PTMS. في هذه الورقة، نقارن أولا الأشجار المستحثة من PTMS وأشجار تحليل التبعية في العديد من النماذج الشعبية لمهمة ABASA، والتي توضح أن الشجرة المستحقة من روبرتا الصعبة (FT-Roberta) تتفوق على الشجرة التي قدمتها المحلل المحاور. تكشف تجارب التحليل الإضافي أن شجرة FT-Roberta المستحقة أكثر من المعنويات - الموجهة إلى كلمة ويمكن أن تفيد مهمة ABASA. تشير التجارب أيضا إلى أن النموذج النقي المستند إلى روبرتا يمكن أن تفوق أو تقريب من عروض SOTA السابقة على ست مجموعات بيانات عبر أربع لغات لأنها تتضمن ضمنيا المعلومات الأساسية الموجهة نحو المهام.
