초록
Aspect-Sentiment Triplet Extraction (ASTE)는 주어진 문장에서 (측면 구문, 의견 구문, 감정 극성) 트리플을 추출하는 최근 제안된 측면 기반 감정 분석 작업입니다. 최근의 최신 방법들은 이 작업을 수행하기 위해 먼저 주어진 텍스트에서 가능한 모든 텍스트 스팬을 추출한 다음, 분류기를 사용하여 잠재적인 측면과 의견 구문을 필터링하고, 마지막으로 다른 분류기를 통해 이들의 모든 쌍을 고려하면서 추가로 감정 극성을 할당합니다. 이러한 방식의 여러 변형이 제안되었지만, 공통적인 특징은 최종 결과가 일련의 독립적인 분류기 결정으로 구성된다는 것입니다. 이는 추출된 구문들 사이의 의존성을 활용하는 것을 방해하며, 분류기 예측 간의 상호 관계에 대한 지식을 활용하여 성능을 개선하는 것을 막습니다. 본 논문에서는 구문 간 및 최종 분류기 결정 간의 의존성을 모델링할 수 있는 세 가지 트랜스포머 기반 레이어로 구성된 새로운 ASTE 접근법을 제안합니다. 실험 결과, 본 방법론은 인기 있는 벤치마크에서 연구된 다른 방법론들보다 F1 점수 측면에서 더 높은 성능을 달성함을 보여줍니다. 또한 단순한 사전 학습 기술이 모델의 성능을 더욱 개선함을 입증하였습니다.