ASTE Transformer: Modellierung von Abhängigkeiten bei der Extraktion von Aspekt-Sentiment-Tripeln

Die Aspect-Sentiment-Tripel-Extraktion (ASTE) ist eine kürzlich vorgeschlagene Aufgabe der aspektbasierten Sentimentanalyse, die darin besteht, Tripel aus (Aspektphrase, Meinungsphrase, Sentiment-Polarität) aus einem gegebenen Satz zu extrahieren. Aktuelle state-of-the-art-Methoden lösen diese Aufgabe, indem sie zunächst alle möglichen Textabschnitte aus einem gegebenen Text extrahieren, dann potenzielle Aspekt- und Meinungsphrasen mit einem Klassifikator filtern und schließlich alle ihre Paare mit einem weiteren Klassifikator betrachten, der ihnen zusätzlich die Sentiment-Polarität zuordnet. Obwohl verschiedene Variationen des oben beschriebenen Schemas vorgeschlagen wurden, ist die gemeinsame Eigenschaft, dass das endgültige Ergebnis durch eine Reihe unabhängiger Klassifikatorentscheidungen konstruiert wird. Dies erschwert die Nutzung von Abhängigkeiten zwischen den extrahierten Phrasen und verhindert die Verwendung von Wissen über die Wechselwirkungen zwischen den Klassifikatorvorhersagen zur Leistungssteigerung. In dieser Arbeit schlagen wir einen neuen ASTE-Ansatz vor, der aus drei transformer-inspirierten Schichten besteht und es ermöglicht, sowohl Abhängigkeiten zwischen den Phrasen als auch zwischen den endgültigen Klassifikatorentscheidungen zu modellieren. Experimentelle Ergebnisse zeigen, dass die Methode in Bezug auf das F1-Maß eine höhere Leistung erzielt als andere Methoden bei bekannten Benchmarks. Darüber hinaus zeigen wir, dass eine einfache Vortrainingsmethode die Leistung des Modells weiter verbessert.