생성형 관점 기반 감성 분석으로 나아가기

최근 들어 감성 분석 기반의 작업(Aspect-based sentiment analysis, ABSA)에 대한 관심이 점점 커지고 있다. 기존의 대부분의 연구들은 다양한 작업별 분류 네트워크를 설계하여 예측을 수행하는 결정적(discriminative) 방식을 채택하고 있다. 이러한 방법들은 효과적인 성능을 보이지만, ABSA 문제에서 풍부한 레이블 의미(semantics)를 무시하고, 작업별로 별도의 모델 설계가 필요하다는 한계를 가지고 있다. 본 논문에서는 다양한 ABSA 작업을 통합적인 생성적(generative) 프레임워크를 통해 해결하는 새로운 접근을 제안한다. 각 ABSA 작업을 텍스트 생성 문제로 재정의함으로써, annotation-style과 extraction-style이라는 두 가지 유형의 모델링 패러다임을 설계하여 훈련 과정을 가능하게 한다. 제안된 방법은 여러 벤치마크 데이터셋에서 네 가지 ABSA 작업에 대해 실험을 수행한 결과, 거의 모든 경우에서 새로운 최고 성능(SOTA, state-of-the-art)을 달성하였다. 이는 제안된 프레임워크의 뛰어난 일반화 능력을 입증하며, 추가적인 작업별 모델 설계 없이도 임의의 ABSA 작업에 쉽게 적용 가능함을 보여준다.