Lernen von Span-Ebene-Interaktionen für die Extraktion von Aspekt-Sentiment-Tripeln

Die Extraktion von Aspekt-Sentiment-Tripeln (ASTE) ist die neueste UnterAufgabe des Aspect-Based Sentiment Analysis (ABSA), bei der Tripel aus einem Aspektziel, dessen zugehöriger Stimmung und dem entsprechenden Meinungsterm ausgegeben werden. Aktuelle Modelle führen die Tripel-Extraktion in einem End-to-End-Prozess durch, hängen aber stark von den Interaktionen zwischen jedem Zielsatzwort und Meinungswort ab. Dadurch können sie nicht gut auf Ziele und Meinungen mit mehreren Wörtern funktionieren. Unser vorgeschlagener Ansatz auf Spannenebene berücksichtigt explizit die Interaktion zwischen den gesamten Spannen von Zielen und Meinungen bei der Vorhersage ihrer Stimmungsbeziehung. Somit kann er Vorhersagen auf Basis der Semantik ganzer Spannen treffen, was eine bessere Stimmungskonsistenz gewährleistet. Um die durch die Aufzählung von Spannen entstehenden hohen Rechenkosten zu reduzieren, schlagen wir eine Doppelspuren-Spannenreduktionsstrategie vor, die Überwachung aus den Aufgaben der Aspektterminierung (ATE) und Meinungsterminierung (OTE) einbezieht. Diese Strategie verbessert nicht nur die Recheneffizienz, sondern unterscheidet auch die Meinungs- und Zielspannen angemessener. Unser Framework erreicht gleichzeitig starke Leistungen sowohl für ASTE als auch für ATE- und OTE-Aufgaben. Insbesondere zeigt unsere Analyse, dass unser Ansatz auf Spannenebene über den Baselines erhebliche Verbesserungen bei Tripeln mit mehrwörtigen Zielen oder Meinungen erzielt.