Объяснимый анализ тональности
Объяснимый анализ тональности (explainable sentiment analysis) сопрягает модель классификации тональности — обычно дообученный трансформер, такой как BERT или RoBERTa — с пост-хок (post-hoc) или внутренним (intrinsic) методом объяснения (SHAP, LIME, визуализация внимания или интегрированные градиенты), который выявляет, какие слова, фразы или признаки повлияли на каждое предсказание. Цель — достижение как высокой точности предсказания, так и прозрачных, проверяемых обоснований для каждой метки.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Danilevsky, M., Qian, K., Aharonov, R., Katsis, Y., Kawas, B., & Sen, P. (2020). A Survey of the State of Explainable AI for Natural Language Processing. Proceedings of the 1st Conference of the Asia-Pacific Chapter of the ACL and the 10th IJCNLP, 447–459. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765–4774. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Explainable Sentiment Analysis (XAI-augmented Opinion Mining). ScholarGate. https://scholargate.app/ru/deep-learning/explainable-sentiment-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Классификация на основе BERTГлубокое обучение↔ compare
- Объяснимая классификация на основе BERTГлубокое обучение↔ compare
- Классификация на основе RoBERTaГлубокое обучение↔ compare
- Векторные представления предложенийГлубокое обучение↔ compare
- Тематическое моделированиеГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →