Positionsbewusstes Tagging für die Extraktion von Aspekt-Sentiment-Tripeln

Aspect Sentiment Triplet Extraction (ASTE) ist die Aufgabe, Triplette aus Zielentitäten, deren zugeordneten Emotionen und Meinungsspannen zu extrahieren, die den Grund für die Emotion erläutern. Bestehende Forschungsanstrengungen lösen dieses Problem hauptsächlich durch Pipeline-Methoden, die den Extraktionsprozess der Triplette in mehrere Stufen unterteilen. Unsere Beobachtung ist, dass die drei Elemente innerhalb einer Triplette stark miteinander verbunden sind, was uns dazu anregt, ein gemeinsames Modell zu entwickeln, um solche Triplette mit einem sequenziellen Tagging-Ansatz zu extrahieren. Allerdings stellt sich die Frage, wie man einen Tagging-Ansatz effektiv gestaltet, der die reichen Interaktionen zwischen den Elementen erfassen kann. In dieser Arbeit schlagen wir das erste end-to-end-Modell vor, das ein neuartiges positionsbewusstes Tagging-Schema verwendet und in der Lage ist, die Triplette gemeinsam zu extrahieren. Unsere experimentellen Ergebnisse auf mehreren bestehenden Datensätzen zeigen, dass das gemeinsame Erfassen der Elemente in der Triplette mit unserem Ansatz eine verbesserte Leistung im Vergleich zu den bestehenden Methoden führt. Wir haben auch umfangreiche Experimente durchgeführt, um die Effektivität und Robustheit des Modells zu untersuchen.