Generative Data Augmentation für die Aspekt-Sentiment-Quad-Vorhersage

Die Aspekt-Sentiment-Quad-Vorhersage (ASQP) analysiert Aspektbegriffe, Meinungsbegriffe, Sentiment-Polarität und Aspektkategorien in einem Text. Eine zentrale Herausforderung bei dieser Aufgabe ist die Knappheit an Daten aufgrund der hohen Kosten der Annotation. Datenvervollständigungstechniken werden häufig eingesetzt, um dieses Problem zu bewältigen. Allerdings verändern bestehende Ansätze lediglich die Texte in den Trainingsdaten, was die semantische Vielfalt der generierten Daten einschränkt und die Qualität beeinträchtigt, da inkonsistente Beziehungen zwischen Text und Quads entstehen. Um diese Einschränkungen zu überwinden, erweitern wir die Quads und trainieren ein Quads-zu-Text-Modell zur Generierung entsprechender Texte. Darüber hinaus haben wir neuartige Strategien entwickelt, um qualitativ schlechte Daten zu filtern und die Schwierigkeitsverteilung der Trainingsbeispiele im erweiterten Datensatz auszugleichen. Empirische Studien an zwei ASQP-Datensätzen zeigen, dass unsere Methode andere Datenvervollständigungsansätze übertrifft und auf den Benchmark-Datenständen eine state-of-the-art-Leistung erzielt.