A Unified Generative Framework for Aspect-Based Sentiment Analysis
论文地址：https://arxiv.org/pdf/2106.04300.pdf
Author Information:：Hang Yan1,?, Junqi Dai1,?, Tuo Ji1, Xipeng Qiu1,2?, Zheng Zhang3
Institutions Information:
???? 1. Shanghai Key Laboratory of Intelligent Information Processing, Fudan University
???? 1. School of Computer Science, Fudan University
? ???2. Pazhou Lab, Guangzhou, China
?? ? 3. New York University
ACL 2021
新词
- myriad
n. 无数，极大数量
adj. 无数的；种种的 - triangular
adj. 三角的，[数] 三角形的；三人间的
Abstarct
?? ? ABSA(Aspect-based sentiment analysis)旨在识别出一段（一句）自由文本中的属性词、属性词对应的情感极性、情感词。ABSA有七个子任务。现存的大多数研究只关注这些子任务的子集，这导致了各种复杂的ABSA模型，而很难在一个统一的框架中解决这些子任务。
?? ? 在本文中，我们将每一个子任务目标重新定义尉一个由指针索引和情感类索引混合的序列，它将所有的ABSA子任务转换为一个统一的生成公式。基于这个统一的生成公式，我们用序列到序列的预训练模型BART,在端到端的框架中去解决所有的ABSA子任务。实验证明，本文的模型在ABSA的四个数据集的七个子任务上，均取得了不错的效果，并且，本文的模型为整个ABSA子任务均提供了一个端到端的解决办法，也适用于所有的多任务学习。
1. Introduction
ABSA任务的七个子任务：
分别为：
**
- AE :抽取一个句子中所有的属性词；
- OE ：抽取一个句子中所有的情感词；
- ALSC ：对每一个给定的句子中的属性词，预测其情感极性；
- AOE ：抽取一个句子中每个给定属性词的配对的情感词；
- AESC ：在抽取属性词的同时，抽取其对应的情感极性；
- Pair ：在抽取属性词的同时，抽取相对应的情感词；
- Triplet：同时抽取属性词、情感极性、情感词。
**
主流来说，ABSA的七个子任务，可以将其分成两大类。
- 其一：抽取类，具体有（AE、OE、AOE、AESC、Pair、Triplet）
- 其二：分类类，具体有（ALSC、AESC、Triplet）
其中，AESC、Triplet 既可以划分为抽取类，亦可以划分为分类类
！！！！To the best of our knowledge,it is the first work to evaluate a model on all ABSA tasks.
2. Background
2.1 ABSA Subtasks
?? ? 在这小节，作者首先介绍了单一输出的子任务，接着，介绍了组合输出的子任务。
2.1.1 Single Output Subtasks
?? ? 一些研究主要集中在单一输出的子任务。AE、OE、ALSC、和AOE子任务仅输出属性词、情感词、情感极性其中的一个。
2.1.2 Compound Output Subtasks
?? ?AESC、Pair、Triplet子任务是组合输出。
3. Methodology
本文的核心架构：
四个数据集的统计情况，具体包含句子个数、属性词个数、情感词个数、属性词和情感词的对数。具体如下：
4. Experiments
?? ?将现有的ABSA子任务的方法，进行归类总结，具体如下，可以看出只有本文提出的方法适用于ABSA的七个子任务。
实验结果一
?? ?在D17数据集上，针对AE、OE、SC、和AESC四个子任务，进行实验，基准数据来自于Mao等人，黑色加粗的表示最优性能。并且，表格中提及的四个模型的baseline均是BERT-Large,而本文的基准模型是BART-Base.
实验结果二
?? ?在D19数据集上，针对AOE子任务，进行实验，对比了四个数据集的P R F1值，其中，黑色加粗的表示最优性能。
实验结果三
?? ?在D20a数据集上，针对AESC、Pair和Triplet三个子任务，进行实验，对比了四个数据集的 F1值，其中，黑色加粗的表示最优性能。
实验结果四
?? ?在D20b数据集上，针对Triplet子任务，进行实验，对比了四个数据集的P R F1值，其中，黑色加粗的表示最优性能。
6. Conclusion
?? ?本文总结了7个ABSA子任务和以往的研究，表明在所有的输入、输出和任务类型方面都存在差异。以往的研究在统一框架下处理所有这些差异存在局限性。我们建议将所有的ABSA子任务转换为一个统一的生成任务。我们实现了用BART在基于统一任务公式的端到端过程中生成目标序列。我们对7个ABSA子任务的公共数据集上进行了大规模的实验，并在大多数数据集上取得了显著的改进。实验结果证明了该方法的有效性。我们的工作产生了几个有前途的方向，如在其他任务上的序列到序列的框架，和数据增强。