中国語を対象とした複数タスク学習モデルによる感情極性分類と意見項目抽出

アスペクトベースセンチメント分析（ABSA）は、自然言語処理におけるマルチグレインなタスクであり、主に2つのサブタスクから構成される：アスペクト語抽出（ATE）とアスペクト極性分類（APC）。既存の多数の研究は、アスペクト語の極性推定に焦点を当てており、アスペクト語抽出の重要性には十分な注意が払われていない。さらに、現行の研究は中国語を対象としたABSAタスクに関する検討がほとんど行われていない。本研究では、局所的文脈注目（LCF）メカニズムを基盤として、中国語を対象としたアスペクトベースセンチメント分析を目的としたマルチタスク学習モデル、すなわちLCF-ATEPCを初めて提案する。既存モデルと比較して、本モデルはアスペクト語の抽出とアスペクト語の極性推定を同時に実行する能力を備えており、さらに中国語および英語のコメントを同時に分析する効果性も有している。多言語混在データセットを用いた実験により、その有効性が確認された。ドメイン適応型BERTモデルを統合することで、LCF-ATEPCモデルは4つの中国語レビューデータセットにおいて、アスペクト語抽出およびアスペクト極性分類の最先端性能を達成した。また、最も広く用いられているSemEval-2014 Task 4（レストランおよびラップトップ）データセットにおいても、ATEおよびAPCサブタスクにおいて既存の最先端性能を上回る実験結果が得られた。