摘要
方面级情感分析（ATSA）是自然语言理解中的一个长期挑战。它需要对文本中出现的目标实体进行细粒度的语义推理。由于对方面进行手动标注既费力又耗时，因此用于监督学习的标注数据量有限。本文提出了一种基于变换器的变分自编码器（VAET）的半监督方法来解决ATSA问题，该方法通过变分推断建模潜在分布。通过将潜在表示分解为特定方面的 sentiment 和词汇上下文，我们的方法能够为未标注数据诱导出底层的情感预测，从而提升ATSA分类器的性能。我们的方法与分类器无关，即分类器是一个独立模块，可以集成各种先进的监督模型。实验结果在SemEval 2014任务4上获得，并表明我们的方法在四种经典分类器上均有效。所提出的 方法优于两种通用的半监督方法，并达到了最先进的性能。