[論文レビュー] Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis

Haiyun Peng, Lu Xu+4 more|arXiv (Cornell University)|Nov 5, 2019

Sentiment Analysis and Opinion Mining参考文献 19被引用数 28

ひとこと要約

本論文は、一貫したフレームワーク内で、議論の主題（アスペクト）、感情極性（どのように）、およびその感情の理由（なぜ）を同時に抽出する、新しいタスクであるアスペクトセンチメントトリプレット抽出（ASTE）を導入する。提案された二段階モデルは、最初に感情付きのアスペクトと意見語句を特定し、次に二値分類器を用いてそれらをペアリングすることで、ベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

Target-based sentiment analysis or aspect-based sentiment analysis (ABSA) refers to addressing various sentiment analysis tasks at a fine-grained level, which includes but is not limited to aspect extraction, aspect sentiment classification, and opinion extraction. There exist many solvers of the above individual subtasks or a combination of two subtasks, and they can work together to tell a complete story, i.e. the discussed aspect, the sentiment on it, and the cause of the sentiment. However, no previous ABSA research tried to provide a complete solution in one shot. In this paper, we introduce a new subtask under ABSA, named aspect sentiment triplet extraction (ASTE). Particularly, a solver of this task needs to extract triplets (What, How, Why) from the inputs, which show WHAT the targeted aspects are, HOW their sentiment polarities are and WHY they have such polarities (i.e. opinion reasons). For instance, one triplet from "Waiters are very friendly and the pasta is simply average" could be ('Waiters', positive, 'friendly'). We propose a two-stage framework to address this task. The first stage predicts what, how and why in a unified model, and then the second stage pairs up the predicted what (how) and why from the first stage to output triplets. In the experiments, our framework has set a benchmark performance in this novel triplet extraction task. Meanwhile, it outperforms a few strong baselines adapted from state-of-the-art related methods.

研究の動機と目的

• 議論の主題、感情極性、およびその感情の理由を包括的に捉える統一的タスクを導入することで、アスペクトベースセンチメント分析（ABSA）におけるギャップを埋める。
• 従来の研究が部分的なタスクやタスクのペアを個別に処理するのに対し、感情の完全な物語を提供できないという限界を克服する。
• アスペクトと意見語句の間の相互影響をモデル化する二段階フレームワークを提案し、トリプレット抽出の正確性を向上させる。
• エンドツーエンドのアスペクトセンチメントトリプレット抽出のための新しいベンチマークを確立し、一度の処理で感情の全貌を捉える。

提案手法

• 意見語句のためのBIOに類似したタグと、アスペクトと感情極性のための統一スキーマを組み合わせた統一タギング方式を採用。
• 二段階フレームワークを実装：第一段階では、感情の一貫性を確保するゲート機構を備えた二本のブランチを持つBLSTMアーキテクチャを用いて、感情付きの候補アスペクトと意見語句を予測する。
• アスペクトと意見語句の関係をモデル化するための相互影響モジュール（TG）を導入したが、アブレーション実験ではノイズを引き起こす可能性があることが判明。
• 第二段階では、信頼度スコアに基づき、予測されたアスペクトと意見語句をペアリングするための別個の二値分類器を適用し、ゴールドスタンダードのトレーニングペアを用いる。
• 両方のアスペクトおよび意見予測のための文レベル表現を強化するために、共有コンテキストエンコーダー（BLSTM^OPT）を活用する。
• シーケンスラベル付けのための交差エントロピー損失と、トリプレットペアリングのための二値交差エントロピー損失を用いて、エンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 1つのモデルが、議論の主題、その感情極性、および感情の理由を同時に完全な感情の物語として効果的に抽出できるか。
• RQ2 アスペクトと意見語句の間の相互影響をモデル化することで、トリプレット抽出のパフォーマンスにどのような影響を与えるか。
• RQ3 候補抽出の後にペアリングを行う二段階アプローチが、このタスクにおいてエンドツーエンドの統合モデリングを上回るか。
• RQ4 相互影響ゲート（TG）のような補助的コンponentがパフォーマンスにどれほど向上または低下させるか。
• RQ5 提案されたフレームワークが、既存のベースラインと比較して、アスペクトセンチメントトリプレット抽出のための新たなベンチマークを確立できるか。

主な発見

• 提案された二段階モデルは、ASTEベンチマークで最先端のパフォーマンスを達成し、SOTA手法を適応した強力なベースラインを上回った。
• BLSTM^OPTコンponentの削除により、すべてのデータセットで一貫した性能低下が観察され、文脈情報の捉え方におけるその重要性が裏付けられた。
• 相互影響をモデル化することを目的としたTGモジュールは、大多数のケースでパフォーマンスを低下させ、特に異種のデータセット（14lap, 14res）ではノイズを引き起こす可能性がある。
• 15resデータセットでは、Li-unified-R+というバリエーションがペアリング性能で提案モデルをわずかに上回ったことから、ペアリング戦略の改善の余地があることが示された。
• 一部のケースでは否定された意見（例：'wasn’t so fresh'）を正しく捉えることができたが、1つのアスペクトに複数の意見が関連する場合、ペアリングは依然として困難であった。
• 最終的なトリプレット抽出パフォーマンスは、ベースライン手法よりも一貫して高く、誤検出の低減と正確性の向上を実現した二段階設計の有効性が確認された。