초록
Aspect-based 감성 분석(ABSA)은 세 가지 하위 작업, 즉 관점 용어 추출, 의견 용어 추출, 관점 수준 감성 분류로 구성된다. 기존 연구 대부분은 이 세 가지 하위 작업 중 하나에만 집중해왔다. 최근 몇몇 연구들은 통합적 프레임워크를 통해 완전한 ABSA 문제를 성공적으로 해결하려는 시도를 하였다. 그러나 세 하위 작업 간의 상호작용 관계는 여전히 충분히 활용되지 않고 있다. 우리는 이러한 관계가 서로 다른 하위 작업들 사이에 협업 신호를 포함하고 있다고 주장한다. 예를 들어, 의견 용어가 "delicious"일 경우, 관점 용어는 "place"가 아니라 반드시 "food"여야 한다. 이러한 관계를 보다 효과적으로 활용하기 위해, 다층 스택 구조의 네트워크에서 다중 작업 학습 및 관계 전파 메커니즘을 통해 하위 작업들이 상호 협력적으로 작동할 수 있도록 허용하는 관계 인지형 협업 학습(RACL) 프레임워크를 제안한다. 세 가지 실제 데이터셋에서 실시한 광범위한 실험 결과, RACL이 완전한 ABSA 작업에서 최신 기술 대비 유의미하게 우수한 성능을 보임을 확인하였다.