[论文解读] Targeted Sentiment Analysis: A Data-Driven Categorization

Jiaxin Pei, Aixin Sun+1 more|arXiv (Cornell University)|May 9, 2019

Sentiment Analysis and Opinion Mining参考文献 25被引用 8

一句话总结

本文基于'目标'（方面、实体或实体-方面对）的定义，提出将目标情感分析（TSA）划分为三个子任务——TG-ABSA、TN-ABSA 和 T-ABSA。该研究分析了数据集、模型及数据准备中的挑战，强调了在数据收集与标注中被忽视的问题，为实际应用中的TSA和模型选择提供了实用指南。

ABSTRACT

Targeted sentiment analysis (TSA), also known as aspect based sentiment analysis (ABSA), aims at detecting fine-grained sentiment polarity towards targets in a given opinion document. Due to the lack of labeled datasets and effective technology, TSA had been intractable for many years. The newly released datasets and the rapid development of deep learning technologies are key enablers for the recent significant progress made in this area. However, the TSA tasks have been defined in various ways with different understandings towards basic concepts like `target' and `aspect'. In this paper, we categorize the different tasks and highlight the differences in the available datasets and their specific tasks. We then further discuss the challenges related to data collection and data annotation which are overlooked in many previous studies.

研究动机与目标

• 澄清因对'目标'、'方面'和'实体'的使用不一致而引起的TSA任务定义混淆。
• 基于数据集特征和目标定义，对现有TSA任务进行分类，区分TG-ABSA、TN-ABSA和T-ABSA。
• 突出强调在数据收集与标注中被低估的挑战，这些挑战阻碍了TSA模型在真实世界中的部署。
• 为研究人员和从业者提供一个实用的、基于数据的框架，以针对特定TSA应用选择合适的模型和数据处理流程。
• 将数据准备定位为TSA中的关键但尚未被充分探索的环节，尤其从信息检索的视角出发。

提出的方法

• 根据目标的性质对TSA任务进行分类：方面（TG-ABSA）、实体（TN-ABSA）或实体-方面对（T-ABSA）。
• 分析SemEval 2014及其他来源的基准数据集，识别不同任务类型之间的结构与标注差异。
• 回顾每种子任务的最新深度学习模型，强调通过神经网络实现的端到端学习与表征学习。
• 提出将数据准备视为信息检索问题，重点在于从非结构化源中收集相关数据并提取上下文。
• 根据目标结构和数据可用性评估模型的适用性，强调预标注目标限制了真实世界中可扩展性。
• 识别关键数据挑战：从社交媒体中过滤相关内容、处理重复内容，以及在长文档中定义与情感相关的上下文。

实验结果

研究问题

• RQ1 在现有研究中，TSA中'目标'的定义如何变化？这对模型评估和应用有何影响？
• RQ2 在三种主要TSA子任务——TG-ABSA、TN-ABSA和T-ABSA之间，数据集特征和标注格式的关键差异是什么？
• RQ3 为何数据收集与准备是真实世界TSA应用中的关键瓶颈，却常常被忽视？
• RQ4 内在数据属性（如数据源类型、噪声水平、上下文长度）如何影响现有TSA模型的性能与适用性？
• RQ5 当前模型在多大程度上依赖于预标注目标？这种依赖如何限制其在原始非结构化数据上的部署？

主要发现

• 本文基于目标定义与数据集结构，识别出三种不同的TSA子任务：TG-ABSA（针对方面的目标情感分析）、TN-ABSA（针对实体的）和T-ABSA（针对实体-方面对的）。
• 现有基准数据集（如SemEval 2014中的）范围有限，无法反映社交媒体或新闻流等真实世界数据源的多样性。
• 从Twitter等社交媒体平台收集数据具有挑战性，原因包括噪声、垃圾信息、语言歧义，以及仅靠关键词匹配无法有效过滤内容。
• 上下文定义是主要问题：在新闻文章等长文档中，仅部分句子可能针对特定目标表达情感，因此需要进行上下文提取。
• 本文指出，数据准备——尤其是过滤、去重和上下文选择——是TSA中关键但研究不足的阶段，常被模型开发过程所忽视。
• 模型性能与适用性显著受数据质量与结构影响，基准中预标注目标的存在限制了其在真实世界中的可扩展性。