Die Übernahme des Wissens der Vorgänger: Ein multiplexes Kaskadenframework für die einheitliche aspektbasierte Sentimentanalyse

Bisher umfasste die aspektbasierte Sentimentanalyse (ABSA) insgesamt sieben Teilsubtasks, wobei die Wechselwirkungen zwischen ihnen jedoch bisher unzureichend erforscht blieben. In dieser Arbeit wird ein neuartiges multiplexes Kaskadenframework für die vereinheitlichte ABSA vorgestellt, das diese Wechselwirkungen bewusst berücksichtigt. Zunächst modellieren wir die sieben Teilsubtasks hierarchisch in einer von einfach nach schwierig angeordneten Abhängigkeitsstruktur. Auf dieser Grundlage entwickeln wir eine multiplexe Dekodierungsmechanik, die Sentiment-Layouts und Hinweise aus niedrigeren Aufgaben an höhere weiterleitet. Die multiplexe Strategie ermöglicht eine hocheffiziente Interaktion zwischen den Teilsubtasks und vermeidet redundante Trainingsprozesse; gleichzeitig nutzt sie die verfügbaren Daten umfassend aus, ohne zusätzliche Annotationen zu erfordern. Darüber hinaus integrieren wir aufgrund der spezifischen Merkmale der Aspekt- und Meinungstermerkennung sowie der Paarung diese Informationen durch die Einbeziehung von POS-Tags und syntaktischer Abhängigkeitsstrukturen zur präziseren Bestimmung von Termgrenzen und Paarungen. Das vorgeschlagene syntaxbewusste multiplexe Framework (SyMux) verbessert die ABSA-Leistung signifikant auf insgesamt 28 Teilsubtasks (7×4 Datensätze).