• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.3.2022.tde-08062022-081940
Documento
Autor
Nome completo
Jose de Jesus Melendez Barros
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2022
Orientador
Banca examinadora
Bona, Glauber De (Presidente)
Caseli, Helena de Medeiros
Finger, Marcelo
Título em inglês
A deep learning approach for aspect sentiment triplet extraction in portuguese and spanish.
Palavras-chave em inglês
Aspect sentiment triplet extraction
Deep learning
Natural language processing
Resumo em inglês
Aspect Sentiment Triplet Extraction (ASTE) is an Aspect-Based Sentiment Analysis subtask (ABSA), which aims to extract aspect-opinion pairs from a sentence and identify the sentiment polarity associated with them. For instance, given the sentence Large rooms and great breakfast, ASTE outputs the triplet T = {(rooms, large, positive), (breakfast, great, positive)}. Although several approaches to ASBA have recently been proposed, those for Portuguese/Spanish have been mostly limited to extracting only aspects, without addressing ASTE tasks. This work aims to develop a framework based on Deep Learning to perform the Aspect Sentiment Triplet Extraction task in Portuguese and Spanish. The framework uses BERT as a context-awareness sentence encoder, multiple parallel non-linear layers to get aspect and opinion representations and a Graph Attention layer along with a Biaffine scorer to determine the sentiment dependency between each aspect-opinion pair. The comparison results show that our proposed framework significantly outperforms the baselines in Portuguese/Spanish and is competitive with its counterparts in English.
Título em português
Uma abordagem de aprendizado profundo para extração de trigêmeos de sentimento de aspecto em português e espanhol.
Palavras-chave em português
Aprendizado computacional
Inteligência artificial
Processamento de linguagem natural
Resumo em português
Aspect Sentiment Triplet Extraction (ASTE) é uma subtarefa de Aspect-Based Sentiment Analysis (ABSA), que visa extrair pares de opiniões e aspectos de uma frase e identificar a polaridade de sentimento associada a eles. Por exemplo, dada a sentença Os quartos são amplos e ótimo café da manhã, ASTE gera o tripleto T = {(quartos, amplos, positive), (café de manhã, ótimo, positive)}. Embora várias abordagens tenham sido propostas recentemente, os trabalhos disponíveis em português e espanhol tem se limitado, em sua maioria, a extrair apenas aspectos, sem abordar tarefas ASTE. Este trabalho tem como objetivo desenvolver um framework baseado em Deep Learning para executar a tarefa de Aspect Sentiment Triplet Extraction em português e espanhol. O framework usa o BERT como um codificador de frase de consciência de contexto, várias camadas paralelas não lineares obtêm as representações dos aspectos e as opiniões e uma camada Graph Attention junto com um scorer não linear determina a dependência de sentimento entre cada par aspecto-opinião. Os resultados mostram que nosso framework proposto supera significativamente as linhas de base em português-espanhol e é competitiva com suas contrapartes em inglês.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-06-08
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.