要約
10年以上にわたり、機械学習はテキストから意見保持者-対象構造を抽出し、「誰が何に対してどのような感情を表現したか」という問いに答えるために使用されてきました。最近のニューラルアプローチは、意見役割ラベリング（Opinion Role Labeling: ORL）において最先端の特徴量ベースモデルを上回っていません。この原因は、ラベル付き訓練データの不足にあると考えられます。本研究では、この問題に対処するために、より多くのデータを持つ関連タスクである意味役割ラベリング（Semantic Role Labeling: SRL）と組み合わせた異なるマルチタスク学習（Multi-Task Learning: MTL）手法を使用しました。結果として、開発セットおよびテストセットにおいて、両方の保持者と対象のラベリングで単一タスクモデルよりも有意に性能が向上することが示されました。さらに分析した結果、共有されたORLとSRLの特徴量のみを使用して予測を行うシンプルなMTLモデルが最も優れた性能を発揮することがわかりました。今後、ORLにおけるさらなる改善のために何が有効であるかについても考察しています。