البحوث الحالية في استخراج الثلاثي العنصري للرأي (ASTE) تركز بشكل صريح على تطوير تقنيات تعديل دقيقة أكثر للمهمة. بدلاً من ذلك، دوافعنا هي وضع نهج عام يمكن أن يحسن الأداء النهائي لعدة مهام تحليل المشاعر القائم على الجوانب (ABSA) في آن واحد. في هذا الإطار، نقدم CONTRASTE، استراتيجية تعليم مسبق جديدة تستفيد من التعلم التبايني (contrastive learning) لتعزيز أداء ASTE. بينما نركز بشكل أساسي على ASTE، نظهر أيضًا فائدة التقنية المقترحة لدينا في مهام ABSA الأخرى مثل ACOS، TASD، وAESC. بالنظر إلى جملة وما يتعلق بها من ثلاثيات (العنصر، الرأي، الشعور)، نقوم أولاً بتصميم دوافع قائمة على الجوانب مع إخفاء المشاعر المقابلة لها. ثم نقوم بتدريب (أو تعليم مسبق) نموذج مشفّر-مفكك عن طريق تطبيق التعلم التبايني على تمثيلات المشاعر المرتبطة بالجوانب التي يولدتها المفكك للكلمات المخفية. لتعديل أوزان النموذج المحصلة بهذه الطريقة، نقترح بعد ذلك نهج مهمة متعددة جديد حيث يتم دمج النموذج الأساسي المشفّر-المفكك مع وحدتين مكملتين: كاشف شروط الرأي القائم على الوسم (tagging-based Opinion Term Detector) والمقدر العددي للثلاثيات القائم على الانحدار (regression-based Triplet Count Estimator). تثبت التجارب الشاملة على أربعة مجموعات بيانات قياسية والدراسة التحليلية المفصلة أهمية كل من المكونات المقترحة لدينا حيث نحقق نتائج جديدة رائدة في ASTE.