[论文解读] Explicit Interaction Network for Aspect Sentiment Triplet Extraction

Peiyi Wang, Tianyu Liu+4 more|arXiv (Cornell University)|Jun 21, 2021

Sentiment Analysis and Opinion Mining参考文献 43被引用 4

一句话总结

该论文提出了一种用于方面情感三元组抽取（ASTE）的显式交互网络，将任务分解为目标-观点联合检测与情感分类两个阶段，利用序列编码器和表格编码器在词对层面捕捉组合特征。模块间的双向显式交互提升了性能，在六个ASTE数据集上取得了最先进结果，尤其在具有多个三元组的‘多对一’挑战性场景中表现突出。

ABSTRACT

Aspect Sentiment Triplet Extraction (ASTE) aims to recognize targets, their sentiment polarities and opinions explaining the sentiment from a sentence. ASTE could be naturally divided into 3 atom subtasks, namely target detection, opinion detection and sentiment classification. We argue that the proper subtask combination, compositional feature extraction for target-opinion pairs, and interaction between subtasks would be the key to success. Prior work, however, may fail on `one-to-many' or `many-to-one' situations or derive non-existent sentiment triplets due to defective subtask formulation, sub-optimal feature representation or the lack of subtask interaction. In this paper, we divide ASTE into target-opinion joint detection and sentiment classification subtasks, which is in line with human cognition, and correspondingly utilize sequence encoder and table encoder to handle them. Table encoder extracts sentiment at token-pair level, so that the compositional feature between targets and opinions can be easily captured. To establish explicit interaction between subtasks, we utilize the table representation to guide the sequence encoding, and inject the sequence features back into the table encoder. Experiments show that our model outperforms state-of-the-art methods on six popular ASTE datasets.

研究动机与目标

• 为解决先前ASTE方法在处理‘多对一’和‘一对多’情感三元组场景时的局限性。
• 通过用显式、双向交互替代基于共享编码器的隐式通信，改进子任务间的交互。
• 通过在词对层面建模组合特征，而非依赖词级别特征，减少对不存在三元组的错误预测。
• 使模型的子任务设计与人类认知过程对齐——基于目标与观点的组合共同评估情感。
• 在六个基准ASTE数据集上实现最先进性能，尤其在高难度、多三元组句子中表现优异。

提出的方法

• 模型将ASTE分为两个组件：使用序列编码器进行目标-观点联合检测，使用表格编码器进行情感分类。
• 表格编码器直接在词对层面生成情感特征，捕捉目标与观点之间的组合特征。
• 通过表格引导的注意力机制建立显式双向交互，其中表格表示引导序列编码，序列特征也被反向注入表格编码器。
• 该方法使用序列编码器（如BERT）进行上下文编码，并使用表格编码器并行处理所有目标-观点对以预测情感极性。
• 交互机制使每个模块能够有选择性地利用对方的有用信息，减少干扰并提升鲁棒性。
• 模型通过三元组预测的交叉熵损失进行端到端训练，联合优化检测与情感分类任务。

实验结果

研究问题

• RQ1 与隐式或单向交互相比，子任务间的显式双向交互在ASTE性能上带来了哪些提升？
• RQ2 在词对层面建模情感是否能减少对不存在三元组的误报？
• RQ3 与人类认知一致的子任务组合——即基于目标-观点对评估情感——是否能提升复杂句子中多三元组的抽取性能？
• RQ4 在‘多对一’场景中，即一个目标对应多个情感极性时，模型表现如何？
• RQ5 在处理模糊或重叠的情感表达时，表格编码器的组合特征提取能力在多大程度上优于词级别特征建模？

主要发现

• 所提模型在六个主流ASTE数据集上均达到最先进性能，分别在15Lap、14Rest、15Rest和16Rest数据集上相较于基线模型绝对F1提升+3.72、+4.90、+7.93和+8.73。
• 在14Lap数据集上，模型F1得分为71.13，显著优于次佳方法JET_o（68.73）和GTS（63.83）。
• 在包含多个三元组的句子中，模型表现出显著优势，在14Rest数据集上此类句子占比达58.21%，性能提升最为明显。
• 在包含五个黄金三元组的案例研究中，模型正确提取全部五个三元组，而JET_o漏检两个，且JET_o与GTS均因强情感词产生两个假阳性预测。
• 如图8所示，随着每句话中三元组数量的增加，模型的性能增益也持续提升，表明其在复杂、高难度场景下具备更强鲁棒性。
• 多三元组句子比例（R_t>1）与性能增益强相关，其中在14Rest数据集上（58.21%的句子含多个三元组）性能提升最大，F1提升达+8.73。