Multilingual structured sentiment analysis via machine reading comprehension

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Pessutto, Lucas Rafael Costella
Orientador(a): Moreira, Viviane Pereira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Análise de sentimentos
Compreensão de leitura de máquina
Processamento de linguagem natural
Modelos de Linguagem
Link de acesso: http://hdl.handle.net/10183/303691
Resumo: A Análise de Sentimento ganhou atenção significativa com o surgimento das plataformas de comércio eletrônico. Inicialmente, este campo se concentrou na classificação do sen- timento geral de avaliações inteiras ou de sentenças. No entanto, desde então, as técnicas de Análise de Sentimento Baseada em Aspectos (ABSA) ocuparam o centro das aten- ções. A ABSA opera em um nível mais refinado, identificando características específicas da entidade sob avaliação, conhecidas como aspectos. A ABSA engloba um conjunto de técnicas para identificar os componentes da opinião e suas relações. Uma dessas técnicas é a Análise Estruturada de Sentimentos (SSA), que extrai tuplas estruturadas contendo informações sobre o detentor de opinião, alvo, expressão de opinião e classificação de polaridade. Nesta tese, apresentamos AskSSA, uma abordagem multilíngue que utiliza um modelo de compreensão de leitura de máquina para realizar SSA. Foram propostas duas versões desse modelo, uma extrativa e outra generativa. Nosso método começa com questões gerais e utiliza os elementos da tupla extraídos para identificar os componentes restantes. Avaliamos nossa abordagem em sete conjuntos de dados em cinco idiomas dife- rentes. Nossos resultados alcançaram a melhor pontuação média do Sentiment Graph F1 em comparação com baselines do estado da arte e a melhor pontuação em cinco conjuntos de dados individuais.
id URGS_b5497b41df8eb8e1edd72e0685acbb68
oai_identifier_str oai:www.lume.ufrgs.br:10183/303691
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Pessutto, Lucas Rafael CostellaMoreira, Viviane Pereira2026-04-23T07:54:46Z2025http://hdl.handle.net/10183/303691001295414A Análise de Sentimento ganhou atenção significativa com o surgimento das plataformas de comércio eletrônico. Inicialmente, este campo se concentrou na classificação do sen- timento geral de avaliações inteiras ou de sentenças. No entanto, desde então, as técnicas de Análise de Sentimento Baseada em Aspectos (ABSA) ocuparam o centro das aten- ções. A ABSA opera em um nível mais refinado, identificando características específicas da entidade sob avaliação, conhecidas como aspectos. A ABSA engloba um conjunto de técnicas para identificar os componentes da opinião e suas relações. Uma dessas técnicas é a Análise Estruturada de Sentimentos (SSA), que extrai tuplas estruturadas contendo informações sobre o detentor de opinião, alvo, expressão de opinião e classificação de polaridade. Nesta tese, apresentamos AskSSA, uma abordagem multilíngue que utiliza um modelo de compreensão de leitura de máquina para realizar SSA. Foram propostas duas versões desse modelo, uma extrativa e outra generativa. Nosso método começa com questões gerais e utiliza os elementos da tupla extraídos para identificar os componentes restantes. Avaliamos nossa abordagem em sete conjuntos de dados em cinco idiomas dife- rentes. Nossos resultados alcançaram a melhor pontuação média do Sentiment Graph F1 em comparação com baselines do estado da arte e a melhor pontuação em cinco conjuntos de dados individuais.Sentiment Analysis has gained significant attention with the rise of e-commerce plat- forms. Initially, this field focused on classifying the overall sentiment of entire reviews or single sentences. However, Aspect-based Sentiment Analysis (ABSA) techniques have since taken center stage. ABSA operates at a more fine-grained level by identifying specific features of the entity under evaluation, known as aspects. ABSA encompasses a set of techniques for identifying opinion components and their relationships. One of these techniques is Structured Sentiment Analysis (SSA), which extracts structured tu- ples containing information about the opinion holder, target, opinion expression, and po- larity classification. In this thesis, we introduce AskSSA, a multilingual approach that leverages machine reading comprehension to perform SSA. We propose both an extrac- tive and a generative pipeline. Our method begins with general questions and utilizes multi-round questions to identify the remaining components. We evaluated our approach on seven datasets in five different languages. Our results achieved the best average Sen- timent Graph F1 score compared to state-of-the-art baselines and the best score in five individual datasets.application/pdfengAnálise de sentimentosCompreensão de leitura de máquinaProcessamento de linguagem naturalModelos de LinguagemMultilingual structured sentiment analysis via machine reading comprehensionAnálise de sentimento estruturado multilíngue baseado em um modelo de compreensão de leitura de máquina info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2025doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001295414.pdf.txt001295414.pdf.txtExtracted Texttext/plain212738http://www.lume.ufrgs.br/bitstream/10183/303691/2/001295414.pdf.txt481e7a0fce5e0930e4b312ff09f2a0f1MD52ORIGINAL001295414.pdfTexto completo (inglês)application/pdf1758236http://www.lume.ufrgs.br/bitstream/10183/303691/1/001295414.pdf6de5bdc6e301b6be44747785bfc79b81MD5110183/3036912026-04-24 08:00:03.571998oai:www.lume.ufrgs.br:10183/303691Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br || lume@ufrgs.bropendoar:18532026-04-24T11:00:03Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Multilingual structured sentiment analysis via machine reading comprehension
dc.title.alternative.pt.fl_str_mv Análise de sentimento estruturado multilíngue baseado em um modelo de compreensão de leitura de máquina
title Multilingual structured sentiment analysis via machine reading comprehension
spellingShingle Multilingual structured sentiment analysis via machine reading comprehension
Pessutto, Lucas Rafael Costella
Análise de sentimentos
Compreensão de leitura de máquina
Processamento de linguagem natural
Modelos de Linguagem
title_short Multilingual structured sentiment analysis via machine reading comprehension
title_full Multilingual structured sentiment analysis via machine reading comprehension
title_fullStr Multilingual structured sentiment analysis via machine reading comprehension
title_full_unstemmed Multilingual structured sentiment analysis via machine reading comprehension
title_sort Multilingual structured sentiment analysis via machine reading comprehension
author Pessutto, Lucas Rafael Costella
author_facet Pessutto, Lucas Rafael Costella
author_role author
dc.contributor.author.fl_str_mv Pessutto, Lucas Rafael Costella
dc.contributor.advisor1.fl_str_mv Moreira, Viviane Pereira
contributor_str_mv Moreira, Viviane Pereira
dc.subject.por.fl_str_mv Análise de sentimentos
Compreensão de leitura de máquina
Processamento de linguagem natural
Modelos de Linguagem
topic Análise de sentimentos
Compreensão de leitura de máquina
Processamento de linguagem natural
Modelos de Linguagem
description A Análise de Sentimento ganhou atenção significativa com o surgimento das plataformas de comércio eletrônico. Inicialmente, este campo se concentrou na classificação do sen- timento geral de avaliações inteiras ou de sentenças. No entanto, desde então, as técnicas de Análise de Sentimento Baseada em Aspectos (ABSA) ocuparam o centro das aten- ções. A ABSA opera em um nível mais refinado, identificando características específicas da entidade sob avaliação, conhecidas como aspectos. A ABSA engloba um conjunto de técnicas para identificar os componentes da opinião e suas relações. Uma dessas técnicas é a Análise Estruturada de Sentimentos (SSA), que extrai tuplas estruturadas contendo informações sobre o detentor de opinião, alvo, expressão de opinião e classificação de polaridade. Nesta tese, apresentamos AskSSA, uma abordagem multilíngue que utiliza um modelo de compreensão de leitura de máquina para realizar SSA. Foram propostas duas versões desse modelo, uma extrativa e outra generativa. Nosso método começa com questões gerais e utiliza os elementos da tupla extraídos para identificar os componentes restantes. Avaliamos nossa abordagem em sete conjuntos de dados em cinco idiomas dife- rentes. Nossos resultados alcançaram a melhor pontuação média do Sentiment Graph F1 em comparação com baselines do estado da arte e a melhor pontuação em cinco conjuntos de dados individuais.
publishDate 2025
dc.date.issued.fl_str_mv 2025
dc.date.accessioned.fl_str_mv 2026-04-23T07:54:46Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/303691
dc.identifier.nrb.pt_BR.fl_str_mv 001295414
url http://hdl.handle.net/10183/303691
identifier_str_mv 001295414
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/303691/2/001295414.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/303691/1/001295414.pdf
bitstream.checksum.fl_str_mv 481e7a0fce5e0930e4b312ff09f2a0f1
6de5bdc6e301b6be44747785bfc79b81
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br || lume@ufrgs.br
_version_ 1863671996820226048

Registros relacionados