Extraktion von Aspektkategorien, Meinungen und Sentiment mithilfe eines generativen Transformer-Modells

Die Sentiment-Analyse ist eine Anwendung des Natural Language Processing, die darauf abzielt, Sentiment-Informationen schnell und effektiv zu verarbeiten und zu extrahieren. Im Anschluss an die vorherige Extraktion von Tripeln – nämlich Aspekt-Beurteilung-Sentiment-Tripeln – wurde die Extraktion von Aspekt-Kategorie-Beurteilung-Sentiment-(ACOS)-Quadrupeln entwickelt. Es existieren mehrere Ansätze zur Extraktion solcher Quadrupel, die jedoch mehrere Einschränkungen aufweisen, etwa eine geringe Wirksamkeit bei impliziten Informationen sowie insgesamt niedrige Leistungswerte. In dieser Arbeit wird ein Ansatz vorgestellt, der das Modell BART-Aspect-Based-Sentiment-Analysis (BARTABSA) nutzt, ein Sentiment-Analyse-Modell, das darauf abzielt, die vorherigen Teilsubtasks des aspect-based Sentiment Analysis – nämlich die Extraktion von Aspekt-Beurteilung-Paaren und die Extraktion von Aspekt-Beurteilung-Sentiment-Tripeln – zu vereinheitlichen und diese ohne Änderung des Kernalgorithmus oder Hinzufügung weiterer Modelle zu lösen, um die ACOS-Subtask zu bearbeiten. Nach einigen Anpassungen an den Datensätzen und der äußeren Schicht des Modells zeigt sich eine signifikante und vielversprechende Verbesserung gegenüber vorherigen Ergebnissen.