摘要
基于方面的情感分析（Aspect-Based Sentiment Analysis, ABSA）旨在提取情感及其对应的目标。为了帮助神经网络更好地泛化，通常需要收集大量标注数据，但这一过程往往耗时且劳动密集。作为一种替代方案，可通过在嵌入空间中进行对抗性生成过程，人工合成与真实样本相似的数据。尽管这些合成样本并非真实语句，但已有研究表明，它们可作为一种正则化手段，提升神经网络的鲁棒性。在本研究中，我们采用 Goodfellow 等人（2014）提出的对抗训练方法，将其应用于 Xu 等人（2019）提出的后训练 BERT（BERT-PT）语言模型，分别在情感分析的两个核心任务——方面抽取（Aspect Extraction）与方面情感分类（Aspect Sentiment Classification）上进行实验。通过消融研究对后训练 BERT 的性能进行优化后，我们提出一种新型架构——BERT 对抗训练模型（BERT Adversarial Training, BAT），以在 ABSA 任务中有效利用对抗训练机制。实验结果表明，所提出的 BAT 模型在两项任务上均优于后训练 BERT。据我们所知，这是首次将对抗训练应用于 ABSA 任务的研究。