중국어 중심의 관점 극성 분류 및 관점 용어 추출을 위한 다중 작업 학습 모델

Aspect-based 감정 분석(ABSA) 작업은 자연어 처리 분야에서 다중 해상도(multi-grained)의 과제로, 두 가지 하위 과제인 아спект 터미널 추출(ATE)과 아спект 극성 분류(APC)로 구성된다. 기존 연구 대부분은 아спект 터미널의 극성 추론에 초점을 맞추며, 아спект 터미널 추출의 중요성에 주목하지 못하고 있다. 또한 기존 연구들은 중국어 중심의 ABSA 과제에 대한 연구에 별다른 관심을 기울이지 않고 있다. 본 논문은 국지적 문맥 집중(LCF) 메커니즘을 기반으로, 중국어 중심의 아спект 기반 감정 분석을 위한 다중 과제 학습 모델인 LCF-ATEPC를 최초로 제안한다. 기존 모델들과 비교하여, 이 모델은 아спект 터미널 추출과 아спект 극성 추론을 동시에 수행할 수 있는 능력을 갖추고 있으며, 중국어 및 영어 댓글을 동시에 분석하는 데에도 효과적이다. 다국어 혼합 데이터셋을 활용한 실험을 통해 본 모델의 타당성이 입증되었다. 도메인 적응형 BERT 모델을 통합함으로써, LCF-ATEPC 모델은 네 개의 중국어 리뷰 데이터셋에서 아спект 터미널 추출 및 아спект 극성 분류 측면에서 최고 수준의 성능을 달성하였다. 또한 SemEval-2014 Task 4의 대표적인 레스토랑 및 노트북 데이터셋에서의 실험 결과 역시 ATE 및 APC 하위 과제에서 최신 기술(SOTA) 성능을 초월하는 결과를 보였다.