面向中文的多任务学习模型用于方面情感极性分类与方面术语抽取

基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）是自然语言处理中的一项多粒度任务，包含两个子任务：方面词提取（Aspect Term Extraction, ATE）和方面极性分类（Aspect Polarity Classification, APC）。现有大多数研究主要聚焦于方面词极性推断子任务，而忽视了方面词提取的重要性。此外，现有研究较少关注面向中文的ABSA任务。针对上述问题，本文基于局部上下文聚焦（Local Context Focus, LCF）机制，首次提出一种面向中文的多任务学习模型——LCF-ATEPC，用于中文方面情感分析。与现有模型相比，该模型具备同步提取方面词并推断其情感极性的能力；同时，该模型能够有效处理中英文评论的联合分析，基于多语言混合数据集的实验验证了其有效性。通过引入领域自适应的BERT模型，LCF-ATEPC在四个中文评论数据集上的方面词提取与极性分类任务中均取得了当前最优性能。此外，在广泛使用的SemEval-2014任务4餐厅和笔记本电脑数据集上的实验结果也表明，该模型在ATE与APC两个子任务上的表现均优于现有最先进方法。