題目： Disentangling Aspect and Opinion Words inSentiment Analysis using Lifelong PU Learning
摘要： 雖然情感分析可以從在線評論中挖掘有價值的信息，但由于文本模式的復雜性，執行一個細粒度的情感分析任務是非常困難的。在這項工作中，我們專注于一個細粒度的基于目標的情感分析（FTSA）任務，該任務用于識別目標特定方面的詞匯和觀點詞匯。這項任務在實踐中很有用。然而，現有的解決方案不能產生令人滿意的結果，特別是當我們有有限的或沒有標記的數據。為了提供一個整體的解決方案，我們設計了一個新的兩階段方法。第一階段為給定的目標對與目標相關的單詞（稱為t-words）進行分組，這相對容易。第二階段將體態詞和觀點詞從分組的t-詞中分離出來，由于缺乏足夠的詞級體態詞和觀點標記，這一階段的挑戰性更大。為了解決這一問題，我們在積極的無標記學習環境中制定了任務，并將終身學習的理念融入其中，取得了很好的效果。
作者簡介： 王帥（Shuai Wang），伊利諾伊大學芝加哥分校博士。個人主頁：//www.cs.uic.edu/~swang/
Bing Liu，伊利諾伊大學芝加哥分校計算機科學系教授，美國計算機協會院士，AAAI研究員，IEEE研究員，獲得ACM SIGKDD創新獎。個人主頁：。等
付費5元查看完整內容
相關內容
課程名稱： Deep Learning
課程簡介：
深度機器學習的最新發展使視覺識別、語音和文本理解或自主智能體系統取得了前所未有的巨大進步。在此背景下，本課程將深入探討深度學習架構的細節，重點是學習這些任務的端到端模型。學生將學習實施、訓練和調試自己的神經網絡，并對該領域的前沿研究有詳細的了解。該課程還將介紹推理方法的最新創新，包括微分推理、對抗性訓練和貝葉斯深度學習。
課程大綱：
- 機器學習基礎
- 神經網絡
- 卷積神經網絡
- 訓練神經網絡
- 遞歸神經網路
- 自動編碼器和生成模型
- 生成式對抗網絡
- 不確定性
- 對抗性攻擊與防御
講師介紹：
Gilles Louppe是比利時列日大學人工智能和深度學習的副教授。他曾是紐約大學物理系和數據科學中心的博士后助理，與歐洲核子研究中心的阿特拉斯實驗關系密切。他的研究處于機器學習、人工智能和物理科學的交叉點上，他目前的研究興趣包括使用和設計新的機器學習算法，以新的和變革性的方式處理來自基礎科學的數據驅動的問題。個人官網：
下載索引：鏈接：
付費5元查看完整內容
題目： Network Representation Learning: A Survey
摘要：
隨著信息技術的廣泛應用，信息網絡越來越受到人們的歡迎，它可以捕獲各種學科之間的復雜關系，如社交網絡、引用網絡、電信網絡和生物網絡。對這些網絡的分析揭示了社會生活的不同方面，如社會結構、信息傳播和交流模式。然而，在現實中，大規模的信息網絡往往使網絡分析任務計算昂貴或難以處理。網絡表示學習是近年來提出的一種新的學習范式，通過保留網絡拓撲結構、頂點內容和其它邊信息，將網絡頂點嵌入到低維向量空間中。這有助于在新的向量空間中方便地處理原始網絡，以便進行進一步的分析。在這項調查中，我們全面回顧了目前在數據挖掘和機器學習領域的網絡表示學習的文獻。我們提出了新的分類法來分類和總結最先進的網絡表示學習技術，根據潛在的學習機制、要保留的網絡信息、以及算法設計和方法。我們總結了用于驗證網絡表示學習的評估協議，包括已發布的基準數據集、評估方法和開源算法。我們還進行了實證研究，以比較代表性的算法對常見數據集的性能，并分析其計算復雜性。最后，我們提出有希望的研究方向，以促進未來的研究。
作者簡介：
Xingquan Zhu是佛羅里達大西洋大學計算機與電氣工程和計算機科學系的教授，在中國上海復旦大學獲得了計算機科學博士學位。曾在多家研究機構和大學工作過，包括微軟亞洲研究院(實習)、普渡大學、佛蒙特大學和悉尼科技大學。主要研究方向:數據挖掘、機器學習、多媒體系統、生物信息學。
付費5元查看完整內容
報告主題：Aspect-Oriented Syntax Network for Aspect-Based Sentiment Analysis
報告摘要：Aspect-based sentiment analysis aims to determine the sentimental polarity towards a specific aspect in reviews or comments. Recent attempts mostly adopt attention-based mechanisms to link opinion words to their respective aspects in an implicit way. However, due to the tangle of multiple aspects or opinion words occurred in one sentence, the models often mix up the linkages. In this paper, we propose to encode sentence syntax explicitly to improve the effect of the linkages. We define an aspect-oriented dependency tree structure, which is reshaped and pruned from an ordinary parse tree, to express useful syntax information. The new tree is then encoded into a multifaceted syntax network, to be used in combination with attention-based models for prediction. Experimental results on three datasets from SemEval 2014 and Twitter show that, with our syntax network, the aspect-sentiment linkages can be better established and the attention-based models are substantially improved as a result.
嘉賓簡介：權小軍，教授，博士生導師。先后于中國科學技術大學計算機系、香港城市大學計算機系、美國羅格斯大學商學院、美國普渡大學計算機系、香港城市大學語言學與翻譯系、新加坡科技研究局資訊通信研究院從事自然語言處理、文本挖掘和機器學習的研究工作，在國際知名期刊和會議如IEEE T-PAMI，ACM TOIS，ACL，IJCAI，SIGIR等發表論文30余篇。權小軍2012年畢業于香港城市大學，獲博士學位，回國前就職于新加坡科技研究局資訊通信研究院，任研究科學家，期間除從事相關方向的基礎研究外，也同工業界緊密合作探索研究成果的應用。
付費5元查看完整內容
Aspect-based sentiment analysis (ABSA) is to predict the sentiment polarity towards a particular aspect in a sentence. Recently, this task has been widely addressed by the neural attention mechanism, which computes attention weights to softly select words for generating aspect-specific sentence representations. The attention is expected to concentrate on opinion words for accurate sentiment prediction. However, attention is prone to be distracted by noisy or misleading words, or opinion words from other aspects. In this paper, we propose an alternative hard-selection approach, which determines the start and end positions of the opinion snippet, and selects the words between these two positions for sentiment prediction. Specifically, we learn deep associations between the sentence and aspect, and the long-term dependencies within the sentence by leveraging the pre-trained BERT model. We further detect the opinion snippet by self-critical reinforcement learning. Especially, experimental results demonstrate the effectiveness of our method and prove that our hard-selection approach outperforms soft-selection approaches when handling multi-aspect sentences.
Recently, a variety of model designs and methods have blossomed in the context of the sentiment analysis domain. However, there is still a lack of wide and comprehensive studies of aspect-based sentiment analysis (ABSA). We want to fill this gap and propose a comparison with ablation analysis of aspect term extraction using various text embedding methods. We particularly focused on architectures based on long short-term memory (LSTM) with optional conditional random field (CRF) enhancement using different pre-trained word embeddings. Moreover, we analyzed the influence on the performance of extending the word vectorization step with character embedding. The experimental results on SemEval datasets revealed that not only does bi-directional long short-term memory (BiLSTM) outperform regular LSTM, but also word embedding coverage and its source highly affect aspect detection performance. An additional CRF layer consistently improves the results as well.
報告主題： Fine-grained Opinion Mining: Current Trend and Cutting-Edge Dimensions
簡介：
細粒度意見挖掘(也稱為基于方面的情緒分析)旨在提取關于意見目標(方面)、意見持有者以及對他們表達的意見/情緒的知識，從而生成結構化的意見摘要。這項任務被證明是更重要和更有挑戰性的，提供了一個深入的分析固執己見的文本，但在社區討論不足，相比于整體情緒評分分類。本教程旨在回顧該領域現有的工作，包括3個主要的子任務，即基于方面的情感分類、與方面相關的提取和總結。我們介紹了各種模型結構，包括基于特征的、基于規則的和基于深度學習的模型，這些模型側重于開發輸入文本之間復雜的字級交互，并促進了這些方法的通用性，以用于有效的知識提取。除了單領域的研究，下一步是探索跨領域、跨語言和多模式的策略。盡管更具挑戰性，但這些替代方案促進了細粒度意見挖掘的開發，因為在實際行業中，只有有限的資源可以使用細粒度注釋。我們介紹了一些現有的研究，旨在為這些前沿的研究方向提供更多的見解。
邀請嘉賓：
虞劍飛是新加坡管理大學信息系統學院研究員，他的研究集中在深度學習和遷移學習的許多自然語言處理任務，包括情緒分析、信息提取和問題回答。
付費5元查看完整內容
Deep learning has emerged as a powerful machine learning technique that learns multiple layers of representations or features of the data and produces state-of-the-art prediction results. Along with the success of deep learning in many other application domains, deep learning is also popularly used in sentiment analysis in recent years. This paper first gives an overview of deep learning and then provides a comprehensive survey of its current applications in sentiment analysis.
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191