[論文レビュー] Jointly Modeling Aspect and Polarity for Aspect-based Sentiment Analysis in Persian Reviews

Milad Vazan, Jafar Razmara|arXiv (Cornell University)|Sep 15, 2021

Sentiment Analysis and Opinion Mining被引用数 6

ひとこと要約

本稿では、ペルシャ語におけるアスペクトベースのセンチメント分析のための統合的モデリング手法を提案する。深層学習モデル（CNN、GRU、LSTM、Bi-LSTM）を用いて、同時にアスペクトとその極性を検出する。2,200件のペルシャ語レビューのデータセット上で評価された結果、CNNとGRUがLSTMおよびBi-LSTMを上回り、例ベースおよびラベルベースの指標において優れた性能を示した。

ABSTRACT

Identification of user's opinions from natural language text has become an exciting field of research due to its growing applications in the real world. The research field is known as sentiment analysis and classification, where aspect category detection (ACD) and aspect category polarity (ACP) are two important sub-tasks of aspect-based sentiment analysis. The goal in ACD is to specify which aspect of the entity comes up in opinion while ACP aims to specify the polarity of each aspect category from the ACD task. The previous works mostly propose separate solutions for these two sub-tasks. This paper focuses on the ACD and ACP sub-tasks to solve both problems simultaneously. The proposed method carries out multi-label classification where four different deep models were employed and comparatively evaluated to examine their performance. A dataset of Persian reviews was collected from CinemaTicket website including 2200 samples from 14 categories. The developed models were evaluated using the collected dataset in terms of example-based and label-based metrics. The results indicate the high applicability and preference of the CNN and GRU models in comparison to LSTM and Bi-LSTM.

研究の動機と目的

• ペルシャ語のテキストにおけるアスペクトカテゴリ検出（ACD）とアスペクトカテゴリ極性（ACP）を別々にモデリングする手法の限界を解消すること。
• ペルシャ語レビューにおいて、アスペクトとそのセンチメント極性を同時に予測する統一フレームワークの構築。
• アスペクトベースのセンチメント分析において、低リソースで屈曲が複雑な言語（ペルシャ語など）に対して、複数の深層学習アーキテクチャ（CNN、GRU、LSTM、Bi-LSTM）を評価すること。
• 14のアスペクトカテゴリにわたる2,200件のペルシャ語レビューを含む、新しいペルシャ語レビューのデータセットを収集・公開すること。
• 多ラベル分類設定において、例ベースおよびラベルベースの評価指標を用いてモデルのパフォーマンスを比較すること。

提案手法

• 本手法は、アスペクトベースのセンチメント分析を、各レビュー例が複数のアスペクト-極性ペアに関連付ける多ラベル分類タスクとして定式化する。
• アスペクトと極性の同時予測に、畳み込みニューラルネットワーク（CNN）、ゲート付き再帰ユニット（GRU）、長短期記憶（LSTM）、双方向LSTM（Bi-LSTM）の4つの深層ニューラルネットワークアーキテクチャを採用する。
• 入力テキストを表現するために単語埋め込みを用い、モデルはエンドツーエンドで訓練され、アスペクトカテゴリとそれに対応するセンチメント極性（肯定的、否定的、中立的）を予測する。
• モデルは、14のアスペクトカテゴリをカバーするCinemaTicketから収集した新しいペルシャ語レビューのデータセット上で訓練および評価される。
• パフォーマンスは、インスタンスレベルおよびラベルレベルの予測品質を評価するため、例ベースおよびラベルベースの指標（F1スコア、ハミング正答率など）を用いて測定される。
• ハイパーパrameterを最適化するためのチューニングが行われ、複数の評価プロトコルに基づいてモデルが比較される。

実験結果

リサーチクエスチョン

• RQ1 パイプライン手法と比較して、ペルシャ語のアスペクトベースのセンチメント分析において、アスペクト検出と極性分類を統合的にモデリングすることはパフォーマンスを向上させるか？
• RQ2 CNN、GRU、LSTM、Bi-LSTMの中では、どれがペルシャ語テキストにおいてアスペクトと極性を同時に検出する際に最も優れた性能を示すか？
• RQ3 例ベースとラベルベースの評価指標は、統合的アスペクトおよび極性予測モデルのパフォーマンスを評価する上で、どのように比較されるか？
• RQ4 ペルシャ語の屈曲の複雑さは、標準的なNLPモデルのアスペクトベースのセンチメント分析におけるパフォーマンスにどの程度影響を与えるか？
• RQ5 ドメイン特化されたカスタムペルシャ語レビューのデータセットを用いることで、低リソース環境におけるモデルの一般化性能とパフォーマンスは向上するか？

主な発見

• CNNとGRUモデルが、評価されたすべてのアーキテクチャの中でペルシャ語レビューのデータセットで最高のパフォーマンスを達成した。
• CNNとGRUは、例ベースおよびラベルベースのF1スコアの両方でLSTMおよびBi-LSTMを上回り、より優れた一般化性能およびラベル予測の正確性を示した。
• 統合的モデリングアプローチは、パイプライン手法で見られる誤差伝搬を効果的に低減し、アスペクト-極性の依存関係を捉えることができた。
• ラベルベースのF1スコアはCNNとGRUで一貫して高く、多ラベル予測タスクにおける優れた性能を示した。
• 14のアスペクトカテゴリにわたる2,200件のペルシャ語レビューのデータセットは、低リソースで屈曲が豊富な言語のセンチメント分析分野における今後の研究にとって貴重なリソースである。
• 結果から、アーキテクチャの選択が統合的アスペクトおよび極性検出におけるパフォーマンスに顕著な影響を与えることが示された。特に、再帰的モデルと畳み込みモデルはペルシャ語NLPにおいて明確な強みを示した。