DOER: Duale kreuzgeteilte RNN für die gemeinsame Extraktion von Aspekttermen und Polarität

Dieses Papier konzentriert sich auf zwei verwandte Teilprobleme der aspektbasierten Sentimentanalyse, nämlich die Aspektterminierung (aspect term extraction) und die Aspektsentimentklassifizierung (aspect sentiment classification), die wir als gemeinsame Extraktion von Aspekttermen und -Polarität (aspect term-polarity co-extraction) bezeichnen. Die erste Aufgabe besteht darin, Aspekte eines Produkts oder einer Dienstleistung aus einem Meinungsdokument zu extrahieren, während die zweite Aufgabe das in dem Dokument zum Ausdruck gebrachte Sentiment zu diesen extrahierten Aspekten identifiziert. Die meisten existierenden Algorithmen behandeln diese Aufgaben als zwei getrennte Probleme und lösen sie nacheinander oder führen nur eine der beiden Aufgaben durch, was für praktische Anwendungen kompliziert sein kann. In diesem Beitrag betrachten wir diese beiden Aufgaben als zwei sequenzielle Labeling-Probleme und schlagen ein neues duales kreuzgeteiltes RNN-Framework (Dual crOss-sharEd RNN, DOER) vor, um alle Aspektterm-Polaritäts-Paare des Eingabesatzes simultan zu generieren. Insbesondere beinhaltet DOER ein doppelt rekurrentes neuronales Netzwerk zur Extraktion der jeweiligen Darstellung jeder Aufgabe sowie eine kreuzgeteilte Einheit, um das Verhältnis zwischen ihnen zu berücksichtigen. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Framework drei Benchmark-Datensätze gegenüber den besten bisher bekannten Baselines überlegen ist.