[论文解读] First Target and Opinion then Polarity: Enhancing Target-opinion Correlation for Aspect Sentiment Triplet Extraction

Lianzhe Huang, Peiyi Wang+6 more|arXiv (Cornell University)|Feb 17, 2021

Sentiment Analysis and Opinion Mining参考文献 26被引用 28

一句话总结

该论文提出一个两阶段的 ASTE 框架，先提取目标和观点，然后使用可感知的目标-观点对并限制注意力，联合确定三元组极性，在多个 ASTE 数据集上达到最先进结果。

ABSTRACT

Aspect Sentiment Triplet Extraction (ASTE) aims to extract triplets from a sentence, including target entities, associated sentiment polarities, and opinion spans which rationalize the polarities. Existing methods are short on building correlation between target-opinion pairs, and neglect the mutual interference among different sentiment triplets. To address these issues, we utilize a two-stage framework to enhance the correlation between targets and opinions: at stage one, we extract targets and opinions through sequence tagging; then we append a group of artificial tags named Perceivable Pair, which indicate the span of a specific target-opinion tuple, to the input sentence to obtain closer correlated target-opinion pair representation. Meanwhile, we reduce the negative interference between triplets by restricting tokens' attention field. Finally, the polarity is identified according to the representation of the Perceivable Pair. We conduct experiments on four datasets, and the experimental results show the effectiveness of our model.

研究动机与目标

• 通过解决先前方法中目标-观点相关性弱的问题来激发 ASTE 的研究动机。
• 提出一个两阶段框架：(1) 提取目标和观点；(2) 使用目标-观点-元组感知表示来判断极性。
• 通过将可感知对拼接到输入并使用受限注意力来加强目标-观点耦合，从而减少跨三元组干扰。
• 在 ASTE-DATA-V2 上跨四个数据集证明其有效性，并在复杂的多对一/多三元组场景中展示优势。

提出的方法

• 阶段1使用基于BERT的标注模型从句子中联合提取目标和观点。
• 阶段2将所有可能的目标-观点对列举为可感知对并将其附加到输入以形成对等表示。
• 一种复合计算方案将所有可感知对连接成一个单一序列以实现高效编码。
• 可感知对共享位置嵌入以指示跨度边界，并使用不同的段ID将原始输入与对令牌分离。
• 一个受限的注意域将每个可感知对的注意力限定在其自身上下文中，降低来自其他对的干扰。
• 一个基于 BERT 的编码器通过连接 T-B/T-E 和 O-B/O-E 产生对表示 r_ij，然后用于四类极性/匹配预测（POS, NEU, NEG, O）。

实验结果

研究问题

• RQ1 两阶段提取-配对方法是否能在 ASTE 的表现上优于端到端或仅标注的方法？
• RQ2 可感知对和受限注意力是否有效加强目标-观点耦合并减少跨三元组干扰？
• RQ3 在多对一或每句多个三元组等复杂场景中，该方法的表现如何？
• RQ4 该方法在 ASTE-DATA-V2 数据集上是否能与标准编码器（如 BERT）一起扩展？

主要发现

• 该方法在 14Lap 和 16Rest 数据集上达到最先进结果，在 14Rest 上接近最先进，同时在四个数据集的平均水平上优于基线。
• 消融分析显示，可感知对、它们的起始/结束标签以及受限注意力对性能提升至关重要。
• 该方法在处理多对一和多三元组情形方面表现更好，在复杂句子中存在更大的性能差距。
• 与 OTE-MTL 相比，所提出的方法通过评估所有可能的对而不是依赖单一表示来更好地捕捉目标-观点相关性。
• 定性分析表明，可感知对有助于将注意力聚焦于对极性预测真正有信息的标记。