Self-supervised Sentiment Analysis
Self-supervised sentiment analysis combines large-scale unsupervised pre-training — through objectives such as masked language modeling or contrastive prediction — with fine-tuning on a small labeled sentiment corpus. The approach, popularized by BERT and its variants, dramatically reduces the need for hand-labeled data while achieving state-of-the-art accuracy on positive/negative/neutral opinion classification tasks.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of NAACL-HLT 2019 (pp. 4171–4186). Association for Computational Linguistics. · DOI 10.18653/v1/N19-1423
- Sun, C., Qiu, X., Xu, Y., & Huang, X. (2019). How to fine-tune BERT for text classification? In China National Conference on Chinese Computational Linguistics (CCL 2019), pp. 194–206. Springer. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.