[论文解读] A Multi-task Learning Framework for Opinion Triplet Extraction

Chen Zhang, Qiuchi Li+2 more|arXiv (Cornell University)|Oct 4, 2020

Sentiment Analysis and Opinion Mining参考文献 28被引用 4

一句话总结

本文提出了一种用于意见三元组抽取的多任务学习框架，通过双仿射评分器联合检测方面术语、观点术语及其情感极性，实现情感依赖性解析。该方法在四个SemEval基准上显著优于强基线模型，通过解耦预测与三元组交互建模，实现了性能提升与可解释性增强。

ABSTRACT

The state-of-the-art Aspect-based Sentiment Analysis (ABSA) approaches are mainly based on either detecting aspect terms and their corresponding sentiment polarities, or co-extracting aspect and opinion terms. However, the extraction of aspect-sentiment pairs lacks opinion terms as a reference, while co-extraction of aspect and opinion terms would not lead to meaningful pairs without determining their sentiment dependencies. To address the issue, we present a novel view of ABSA as an opinion triplet extraction task, and propose a multi-task learning framework to jointly extract aspect terms and opinion terms, and simultaneously parses sentiment dependencies between them with a biaffine scorer. At inference phase, the extraction of triplets is facilitated by a triplet decoding method based on the above outputs. We evaluate the proposed framework on four SemEval benchmarks for ASBA. The results demonstrate that our approach significantly outperforms a range of strong baselines and state-of-the-art approaches.

研究动机与目标

• 为解决现有基于方面的情感分析（ABSA）方法忽略观点术语或无法建模情感依赖性的问题。
• 提出将ABSA统一视为意见三元组抽取，整合方面-情感对抽取与方面-观点共抽取任务。
• 克服统一标注方案导致的情感依赖性解析性能下降以及忽略三元组交互的问题。
• 通过联合训练方面、观点与情感预测并引入相关任务间的正则化，提升模型可解释性与性能。

提出的方法

• 该框架采用多任务学习设置，从文本中联合抽取方面术语、观点术语与情感极性。
• 使用双仿射评分器建模抽取的方面与观点之间的感情依赖关系，实现情感关系的端到端学习。
• 在推理阶段应用三元组解码，从预测的跨度与依赖关系中生成一致的（方面，观点，情感）三元组。
• 通过解耦方面与情感预测，避免统一标注方案对交互建模的限制。
• 框架在相关任务之间引入正则化，以增强泛化能力并处理重叠的三元组模式。
• 在四个SemEval基准上进行端到端训练，采用跨度检测与依存解析头分别进行方面、观点与情感预测。

实验结果

研究问题

• RQ1 与现有方法相比，联合抽取方面、观点与情感是否能提升基于方面的情感分析性能？
• RQ2 将情感预测与方面标注解耦，对重叠三元组场景下情感依赖关系的建模有何影响？
• RQ3 建模三元组之间交互关系（如共享方面或观点）在多大程度上能提升抽取准确率？
• RQ4 所提出的结合双仿射评分与三元组解码的多任务学习框架是否在标准ABSA基准上优于强基线模型？
• RQ5 该系统的主失败模式是什么？它们与重叠三元组模式或跨度检测错误有何关联？

主要发现

• 所提出的框架在四个SemEval基准上的基于方面的情感分析任务中达到最先进性能，显著优于强基线模型。
• 消融实验证实，解耦的方面-情感预测与情感依赖性解析的双仿射评分器均为实现最优性能的关键组件。
• 错误分析表明，误报主要源于方面或观点跨度检测错误，提示需要更鲁棒的标注模型。
• 漏检在重叠三元组情况（方面重叠或观点重叠）中最为普遍，表明此类模式对当前模型仍具挑战性。
• 结果表明，尤其在重叠场景下建模三元组交互关系可显著提升性能，验证了该框架设计选择的有效性。
• 该框架通过显式建模方面与观点之间的感情依赖关系，实现了更高的可解释性，相较于统一标注方法提供了更清晰的推理路径。