비자율적 인코더-디코더 신경망 프레임워크를 활용한 엔드투엔드 기반 감성 트리플 추출

기반 기반 감성 트리플릿 추출(Aspect-based Sentiment Triplet Extraction, ASTE)은 텍스트에서 아спект 텀(Aspect Terms), 의견 표현(Opinion Expressions), 그리고 관련된 감성 극성(Sentiment Polarities)으로 구성된 연합 트리플릿을 인식하는 것을 목표로 한다. 최근 제안된 이 작업은 다양한 관점에서 완전한 감성 이미지를 묘사함으로써 실세계 응용을 더욱 효과적으로 지원할 수 있도록 한다. 그러나 기존의 ASTE 방법들은 겹침 문제(overlapping issue)와 장거리 종속성(long-distance dependency)과 같은 주요 과제들을 효과적으로 해결하지 못하고 있어, 이 작업의 성능을 제한하고 있다. 본 논문에서는 엔드 투 엔드 ASTE를 위한 혁신적인 인코더-디코더 프레임워크를 제안한다. 구체적으로, ASTE 작업을 순서 없는 트리플릿 집합 예측 문제로 모델링하며, 포인터 네트워크를 활용한 비자기적(decoding paradigm) 디코딩 방식을 적용한다. 두 번째로, 아спект 텀과 의견 텀 간의 겹침 구조에 내재된 상호작용을 완전히 통합하기 위한 새로운 고차원 집계 메커니즘(high-order aggregation mechanism)을 제안한다. 세 번째로, 비자기적 시스템의 학습을 촉진하기 위해 이분 매칭 손실(Bipartite Matching Loss)을 도입한다. 기준 데이터셋에서의 실험 결과는 제안된 프레임워크가 기존 최고 수준의 방법들에 비해 유의미하게 우수한 성능을 보임을 보여준다. 추가 분석을 통해 제안된 프레임워크가 겹침 문제 처리, 장거리 종속성 완화, 그리고 디코딩 효율성 측면에서 뛰어난 장점을 지닌다는 것이 입증되었다.