[论文解读] EliXa: A Modular and Flexible ABSA Platform

Iñaki San Vicente, Xabier Saralegi+1 more|arXiv (Cornell University)|Feb 7, 2017

Sentiment Analysis and Opinion Mining被引用 7

一句话总结

EliXa 是一个模块化、灵活且可扩展的监督式方面感知情感分析（ABSA）平台，旨在通过可互换的组件实现轻松实验。它使用现成的序列标注器在意见目标抽取（OTE）任务中达到最先进性能，并在无约束赛道的跨域酒店情感极性分类任务中取得 79.65% 的准确率，位列第三。

ABSTRACT

This paper presents a supervised Aspect Based Sentiment Analysis (ABSA) system. Our aim is to develop a modular platform which allows to easily conduct experiments by replacing the modules or adding new features. We obtain the best result in the Opinion Target Extraction (OTE) task (slot 2) using an off-the-shelf sequence labeler. The target polarity classification (slot 3) is addressed by means of a multiclass SVM algorithm which includes lexical based features such as the polarity values obtained from domain and open polarity lexicons. The system obtains accuracies of 0.70 and 0.73 for the restaurant and laptop domain respectively, and performs second best in the out-of-domain hotel, achieving an accuracy of 0.80.

研究动机与目标

• 开发一个模块化且可扩展的 ABSA 平台，以促进未来在方面感知情感分析领域的实验。
• 通过即插即用的架构，实现系统组件的轻松替换或扩展。
• 在 Semeval 2015 ABSA 共享任务中实现具有竞争力的性能，特别是在意见目标抽取（OTE）和目标情感极性分类方面。
• 评估特征组合在域内与跨域设置下的鲁棒性。
• 支持使用外部资源（如情感词典和词嵌入）的约束与无约束运行。

提出的方法

• 系统使用 IXA Pipes 工具处理 NLP 管道组件，包括分词、词性标注和词形还原。
• 意见目标抽取（OTE）被建模为序列标注任务，采用基于感知机的监督序列标注器 ixa-pipe-nerc，结合语言学特征与词表示特征。
• 目标情感极性分类采用多类 SVM 分类器，并通过通用和领域特定的情感词典引入词汇特征。
• 特征包括 n-gram、词性标签、窗口化句子片段、词嵌入（word2vec 聚类）以及来自多个词典的情感得分。
• 系统通过加权平均组合特征，并采用分层特征选择策略以优化性能。
• 外部资源包括 Yelp 食品语料、Amazon 电子商品语料、用于词聚类的 English Wikipedia，以及四个情感词典（SentiWordNet、General Inquirer、OpinionFinder、Liu 的词典），通过优先级冲突解决机制进行合并。

实验结果

研究问题

• RQ1 能否设计一个模块化且灵活的 ABSA 平台，通过组件替换或扩展实现轻松实验？
• RQ2 在缺乏针对任务的模型调优的情况下，现成的序列标注器在意见目标抽取（OTE）中的有效性如何？
• RQ3 来自通用和领域特定词典的词汇情感特征在多大程度上提升了目标情感极性分类的准确率？
• RQ4 在 ABSA 任务中，特征组合在域内与跨域设置下的鲁棒性如何？
• RQ5 在酒店评论等低资源领域中，词嵌入（word2vec 聚类）对性能有何影响？

主要发现

• EliXa 在意见目标抽取（OTE）任务（槽位 2）中表现最佳，在约束与无约束赛道中均优于其他系统。
• 在餐厅领域，通过结合 1-gram 特征、word2vec 聚类和多个词典，系统在无约束赛道中达到 82.34% 的准确率。
• 在笔记本电脑领域，通过结合 1-gram、PoS、E&A 特征和领域特定词典，系统在无约束赛道中取得 80.85% 的最佳准确率。
• 在跨域酒店任务中，EliXa 在无约束赛道中达到 79.65% 的准确率，整体排名第三，表明其具备强大的跨域泛化能力。
• 使用领域特定词典（$L_{Yelp}$ 和 $L_{Amazon}$）以及受限的 $L_{genres}$ 词典，在餐厅领域显著提升了性能。
• 特征组合始终优于单一特征，跨领域性能提升范围为 1.9% 至 2.8%。