초록
과거 10년 동안 머신 러닝은 텍스트에서 의견 주체-대상 구조를 추출하여 "누가 무엇에 대해 어떤 감정을 표현했는가?"라는 질문에 답하는 데 사용되어 왔습니다. 최근의 신경망 접근 방식은 여론 역할 라벨링(Opinion Role Labeling, ORL)에서 기존의 최고 수준의 특징 기반 모델을 능가하지 못하고 있습니다. 우리는 이 이유가 라벨링된 훈련 데이터의 부족 때문이라고 추측하며, 이 문제를 다중 작업 학습(Multi-Task Learning, MTL) 기술을 사용하여 관련 작업인 의미 역할 라벨링(Semantic Role Labeling, SRL)과 함께 해결하려고 합니다. SRL은 상당히 더 많은 데이터를 가지고 있습니다.우리는 두 가지 MTL 모델이 개발 세트와 테스트 세트에서 모두 의견 주체와 대상의 라벨링 성능을 크게 개선한다는 것을 보여주었습니다. 분석 결과, 공유된 ORL 및 SRL 특징만을 사용하여 예측을 수행하는 기본적인 MTL 모델이 가장 우수한 성능을 보였습니다. 더욱 깊이 있는 분석을 통해 ORL 성능 개선에 효과적인 요소와 추가로 이루어질 수 있는 개선 방향을 결정하였습니다.