[论文解读] Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis

Haiyun Peng, Lu Xu+4 more|arXiv (Cornell University)|Nov 5, 2019

Sentiment Analysis and Opinion Mining参考文献 19被引用 28

一句话总结

本文提出了方面情感三元组抽取（ASTE），这是一种新型任务，旨在单一框架中联合抽取讨论内容（方面）、情感极性（如何）以及情感原因（为何）。所提出的两阶段模型首先识别带有情感的方面与观点词，再通过二分类器进行配对，实现在基准数据集上的最先进性能。

ABSTRACT

Target-based sentiment analysis or aspect-based sentiment analysis (ABSA) refers to addressing various sentiment analysis tasks at a fine-grained level, which includes but is not limited to aspect extraction, aspect sentiment classification, and opinion extraction. There exist many solvers of the above individual subtasks or a combination of two subtasks, and they can work together to tell a complete story, i.e. the discussed aspect, the sentiment on it, and the cause of the sentiment. However, no previous ABSA research tried to provide a complete solution in one shot. In this paper, we introduce a new subtask under ABSA, named aspect sentiment triplet extraction (ASTE). Particularly, a solver of this task needs to extract triplets (What, How, Why) from the inputs, which show WHAT the targeted aspects are, HOW their sentiment polarities are and WHY they have such polarities (i.e. opinion reasons). For instance, one triplet from "Waiters are very friendly and the pasta is simply average" could be ('Waiters', positive, 'friendly'). We propose a two-stage framework to address this task. The first stage predicts what, how and why in a unified model, and then the second stage pairs up the predicted what (how) and why from the first stage to output triplets. In the experiments, our framework has set a benchmark performance in this novel triplet extraction task. Meanwhile, it outperforms a few strong baselines adapted from state-of-the-art related methods.

研究动机与目标

• 通过引入统一任务填补方面级情感分析（ABSA）中的空白，捕捉讨论内容、其情感极性以及情感背后的原因。
• 克服先前研究仅孤立解决子任务或子任务对的局限，未能提供完整的情感叙事。
• 提出一种两阶段框架，通过建模方面与观点词之间的相互影响，提升三元组抽取的准确性。
• 建立端到端方面情感三元组抽取的新基准，实现一次捕捉完整的情感故事。

提出的方法

• 采用统一的标注方案，结合方面-情感与观点词标注，使用类似 BIO 的标签表示观点词，并为方面与情感采用统一的标注模式。
• 实施两阶段框架：第一阶段利用带有门控机制的双分支 BLSTM 架构，预测带有情感的候选方面与观点词，以保证情感一致性。
• 引入相互影响模块（TG），用于建模方面与观点词之间的关系，但消融实验表明其可能引入噪声。
• 在第二阶段应用独立的二分类器，基于置信度分数将预测的方面与观点词进行配对，使用标准真实标签训练对。
• 利用共享的上下文编码器（BLSTM^OPT）增强句子级别的表征，用于方面与观点预测。
• 采用交叉熵损失进行序列标注，以及二元交叉熵损失进行三元组配对，实现端到端训练。

实验结果

研究问题

• RQ1 单一模型能否有效同时抽取完整的情感叙事——即讨论内容、其情感极性以及情感原因？
• RQ2 建模方面与观点词之间的相互影响如何影响三元组抽取的性能？
• RQ3 两阶段方法（先候选抽取后配对）是否优于该任务中的端到端联合建模？
• RQ4 辅助组件如相互影响门控模块（TG）在多大程度上提升或降低性能？
• RQ5 与现有基线相比，所提出的框架能否在方面情感三元组抽取任务中建立新的基准？

主要发现

• 所提出的两阶段模型在 ASTE 基准数据集上实现了最先进性能，优于从最先进方法适配而来的强基线模型。
• 移除 BLSTM^OPT 组件后，所有数据集上的性能均出现一致下降，验证了其在捕捉上下文信息方面的重要性。
• TG 模块本意用于建模方面与观点词的相互影响，但在多数情况下反而降低性能，可能引入噪声，尤其在异构数据集如 14lap 和 14res 上更为明显。
• 在 15res 数据集上，一种变体（Li-unified-R+）在配对性能上略胜于所提模型，表明配对策略仍有优化空间。
• 模型在某些情况下成功捕捉了否定观点（如 'wasn’t so fresh'），但当多个观点关联到同一方面时，配对仍具挑战性。
• 最终的三元组抽取性能始终高于基线方法，证实了两阶段设计在减少假阳性和提升准确性方面的有效性。