[論文レビュー] Targeted Sentiment Analysis: A Data-Driven Categorization

Jiaxin Pei, Aixin Sun+1 more|arXiv (Cornell University)|May 9, 2019

Sentiment Analysis and Opinion Mining参考文献 25被引用数 8

ひとこと要約

本稿は、'ターゲット'（特徴、エンティティ、またはエンティティ-特徴ペア）の定義に基づき、標的的センチメント分析（TSA）を3つのサブタスク—TG-ABSA、TN-ABSA、T-ABSA—にデータドリブンで分類する手法を提案する。データセット、モデル、データ準備の課題を分析し、データ収集およびアノテーションにおける見過ごされがちな問題に注目し、実世界のTSA応用およびモデル選定のための実用的ガイドを提供する。

ABSTRACT

Targeted sentiment analysis (TSA), also known as aspect based sentiment analysis (ABSA), aims at detecting fine-grained sentiment polarity towards targets in a given opinion document. Due to the lack of labeled datasets and effective technology, TSA had been intractable for many years. The newly released datasets and the rapid development of deep learning technologies are key enablers for the recent significant progress made in this area. However, the TSA tasks have been defined in various ways with different understandings towards basic concepts like `target' and `aspect'. In this paper, we categorize the different tasks and highlight the differences in the available datasets and their specific tasks. We then further discuss the challenges related to data collection and data annotation which are overlooked in many previous studies.

研究の動機と目的

• 「ターゲット」「特徴」「エンティティ」といった用語の不一致な使用が原因で生じるTSAタスク定義の混乱を解消すること。
• データセットの特徴とターゲット定義に基づき、既存のTSAタスクを分類し、TG-ABSA、TN-ABSA、T-ABSAを区別すること。
• 実世界のTSAモデルの展開を妨げる、軽視されがちなデータ収集およびアノテーションの課題を浮き彫りにすること。
• 研究者および実務家が特定のTSA応用に適したモデルおよびデータパイプラインを選択できるように、実践的でデータドリブンのフレームワークを提供すること。
• 情報検索の視点から、データ準備をTSAにおいて重要なが未だ十分に探求されていない要因として位置づけること。

提案手法

• ターゲットの性質に基づきTSAタスクを分類：特徴（TG-ABSA）、エンティティ（TN-ABSA）、またはエンティティ-特徴ペア（T-ABSA）。
• SemEval 2014およびその他のソースからのベンチマークデータセットを分析し、タスクタイプ間での構造的およびアノテーションの違いを同定する。
• 各TSAサブタスクにおける最近のディープラーニングモデルをレビューし、ニューラルネットワークを用いたエンドツーエンド学習および表現学習に焦点を当てる。
• データ準備を情報検索問題として再定式化し、非構造化ソースからの関連データ収集および文脈抽出に注目する。
• ターゲット構造とデータ可用性に基づきモデルの適用可能性を評価し、事前にアノテートされたターゲットが実世界のスケーラビリティを制限することを強調する。
• 主なデータ課題を同定：SNSからの関連コンテンツのフィルタリング、重複の処理、長文文書におけるセンチメント関連文脈の定義。

実験結果

リサーチクエスチョン

• RQ1 既存の研究においてTSAにおける「ターゲット」の定義はどのように変動し、モデル評価および応用にどのような影響を及えるか？
• RQ2 TG-ABSA、TN-ABSA、T-ABSAという3つの主要なTSAサブタスク間で、データセットの特徴およびアノテーションフォーマットにどのような相違があるか？
• RQ3 なぜデータ収集および準備が実世界のTSA応用において重要なが、しばしば見過ごされるボトル neck となっているのか？
• RQ4 内在するデータ特性（例：データソースの種別、ノイズ、文脈長さ）が、既存のTSAモデルのパフォーマンスおよび適用可能性にどのように影響を与えるか？
• RQ5 現在のモデルが事前にアノテートされたターゲットにどれほど依存しているか、そしてそれが生データや非構造化データへの展開をどのように制限するか？

主な発見

• 本稿は、ターゲット定義とデータセット構造に基づき、3つの明確に区別できるTSAサブタスク—TG-ABSA（特徴を対象とした標的的センチメント分析）、TN-ABSA（エンティティを対象としたもの）、T-ABSA（エンティティ-特徴ペアを対象としたもの）—を同定する。
• SemEval 2014のデータセットのような既存のベンチマークデータセットは範囲が限定されており、SNSやニュースストリームなどの実世界のデータソースの多様性を反映していない。
• TwitterなどのSNSプラットフォームからのデータ収集は、ノイズ、スパム、言語の曖昧さに加え、キーワードマッチングを超えた有効なフィルタリングが求められるため、困難である。
• 文脈の定義が大きな問題である：ニュース記事のような長文文書では、特定のターゲットに対して感情を示すのは文の一部に限られるため、文脈抽出が必要となる。
• 本稿は、特にフィルタリング、重複除去、文脈選定を含むデータ準備が、TSAにおいて重要なが未だ十分に研究されていないフェーズであることを強調している。多くの場合、モデル開発において無視されがちである。
• モデルのパフォーマンスと適用可能性は、データ品質および構造に大きく影響を受けており、ベンチマークにおける事前アノテート済みターゲットが実世界のスケーラビリティを制限している。