Ein Multi-Task-Lernmodell für aspektorientierte Polaritätsklassifikation und Aspektbegriffserkennung mit Fokus auf Chinesisch

Die Aufgabe der aspektbasierten Sentimentanalyse (Aspect-Based Sentiment Analysis, ABSA) ist eine mehrstufige Aufgabe des natürlichen Sprachverstehens und besteht aus zwei Teilaufgaben: der Extraktion aspektbezogener Terme (Aspect Term Extraction, ATE) und der Klassifikation der Aspektpolariät (Aspect Polarity Classification, APC). Die meisten bestehenden Arbeiten konzentrieren sich auf die Inferenz der Aspektpolariät und vernachlässigen dabei die Bedeutung der Aspekttermextraktion. Zudem wird in der derzeitigen Forschung kaum auf die spezifische Herausforderung der chinesisch-orientierten ABSA-Aufgabe eingegangen. Ausgehend vom Mechanismus der lokalen Kontextfokussierung (Local Context Focus, LCF) schlägt dieser Artikel erstmals ein Multi-Task-Lernmodell für die chinesisch-orientierte aspektbasierte Sentimentanalyse vor, das als LCF-ATEPC bezeichnet wird. Im Vergleich zu bestehenden Modellen verfügt dieses Modell über die Fähigkeit, Aspektterme und deren Polariät gleichzeitig zu extrahieren. Darüber hinaus ist das Modell in der Lage, sowohl chinesische als auch englische Kommentare simultan zu analysieren, was durch Experimente auf einem mehrsprachigen gemischten Datensatz bestätigt wurde. Durch die Integration eines domainadaptierten BERT-Modells erreicht das LCF-ATEPC-Modell die bisher beste Leistung bei der Aspekttermextraktion und Aspektpolariät-Klassifikation auf vier chinesischen Bewertungsdatensätzen. Zudem übertrifft das Modell die bisherigen State-of-the-Art-Ergebnisse auf den beiden am häufigsten verwendeten SemEval-2014-Aufgaben 4 (Restaurant und Laptop) sowohl bei der ATE- als auch bei der APC-Teilaufgabe.