【论文阅读】【基于方面的情感分析】Towards Generative Aspect-Based Sentiment Analysis

Towards Generative Aspect-Based Sentiment Analysis

一、该论文关注的是解决ABSA问题的哪个方面？驱动是什么？具体目标是解决什么问题？

方面：
统一多个ABSA子任务的架构（AOPE、UABSA、ASTE、TASD四种） + 在训练中加入“标签”

驱动：
①ABSA的最近许多研究，建议同时联合多项任务，如AE/ALSC/UABSA。以前的工作针对不同ABSA问题的需要，提出了不同的分类模型，使得模型难以相互适应。

②一般来说，大多数ABSA任务被定义为序列级或标记级分类问题。通过设计针对任务的分类网络，以区分的方式进行预测，使用类索引作为训练的标签。但是，这些方法在训练过程中忽略了标签语义，即自然语言标签的意义。

直观上，知道了“食物质量”和“餐厅氛围”的含义，就更容易识别出前者更可能是有关方面“披萨”的正确方面类别。由于所涉及的情感元素之间的相互作用较为复杂，这种语义标签更有利于多个情感元素的联合提取。例如，理解“美味”是描述食物的形容词，如“披萨”，可以更好地预测方面意见对(“披萨”，“美味”)。

具体目标：
建立一个统一的方法来解决ABSA的各种问题（AOPE、UABSA、ASTE、TASD四种），模型可以无缝地适应多个任务，而无需引入额外的任务特定模型设计。同时能够充分利用丰富的标签语义。

二、该论文采用的方法是什么，方法的核心原理是什么？

方法的提出：

• ①统一的方法是什么？——将ABSA任务制定为文本生成问题【命名为GAS框架】
• ②如何转换为文本生成问题？——定制了两种范式：注释式建模和抽取式建模，对于给定的句子，前者在构建目标句子时对句子进行标注，以包含标签信息；而后者则直接采用输入句子所需的自然语言标签作为目标。

综上：
提出了统一GAS框架，定制了两种范式，即注释式建模和抽取式建模，将原始任务转化为文本生成问题，研究了面向方面意见对抽取(AOPE)、统一面向方面意见对抽取(UABSA)、面向方面情感三元组抽取(ASTE)和面向目标方面情感检测(TASD)四个面向方面情感检测任务。

核心原理：

1. 两种范式的建模
   以AOPE问题和TASD为例，如图所示（就是一种建模方式），其他几个问题是类似的。在TASD问题中，加入了“标签”，即salad——food。
   

2. prediction normalization
   理想情况下，解码后生成的元素应该完全属于它应该属于的词汇集。例如，预测的方面术语应该显式地出现在输入语句中。但是，这可能并不总是成立，所以提出了一种预测归一化策略来处理生成的情感元素脱离其对应的标签词汇集的问题。
   对于每个表示元素e类型的情感类型c，如方面项或情感极性，我们首先构造其对应的词汇集Vc。对于方面术语和意见术语，Vc包含当前输入句子x中的所有单词;对于方面类别，Vc是数据集中所有类别的集合;对于情感极性，Vc包含所有可能的极性。然后，对于情感类型c的一个预测元素e，如果它不属于对应的词汇集Vc，则使用与e有最小Levenshtein距离的e’∈Vc来替换e。

三、该方法是如何提出的，是开创性的方法还是对已有方法进行的改进，创新点是什么？

参考的观点或模型：

• ①将ABSA问题转化为文本生成问题，受到几个语言理解问题，如命名实体识别、问题回答和文本分类作为生成任务(Raffel et al.，2020;Athiwaratkun et al.，2020)的启发。
• ②将ABSA问题转化为文本生成问题后，采用预训练的T5模型(Raffel et al.， 2020)作为生成模型f(·)。

创新点：

• ①提出GAS架构，将ABSA问题转化为文本生成问题；
• ②提出了两种范式来将每个任务定义为文本生成问题；
• ③预测归一化策略来细化生成的输出（细节的纠错）。

四、该论文展示的结果如何？使用的是什么数据集？

使用的数据集：
SemEval(Pontiki et al.，2014,2015,2016)的Laptop14, Rest14, Rest15和Rest16。

实验指标：F1分数

实验结果：
4个任务分别与baseline相比较，总结结论如下：

• 提出的基于注释样式或提取样式建模的方法几乎在所有情况下都建立了最好的结果。唯一的例外是在用于AOPE任务的Rest15数据集上，我们的方法仍然与以前的最佳性能持平。结果表明，采用统一生成方法处理各种ABSA任务是一种有效的解决方案。
• 这篇论文的方法在ASTE和TASD任务上表现得特别好，提取式方法的结果比以前最好的模型的平均F1分数高7.6和3.7。这意味着，结合标签语义和适当建模这些情感元素之间的互动是解决复杂的ABSA问题的关键。
• 在AOPE和UASA任务中，标注风格的方法总体上优于抽取风格的方法。然而，前者在更复杂的ASTE和TASD任务上不如后者。

五、该论文是否提出还有需要改进的地方，即future work？

改进点在于设计更有效的生成范式，并将其推广到其他任务中。

六、该论文的实际应用点在于什么？

这篇论文的实际应用点在于使用这篇论文提出的GAS生成式框架来处理ABSA的4种子任务（AOPE、UABSA、ASTE、TASD四种）。
这篇论文的核心在于将ABSA任务(通常被视为分类问题)转化为文本生成问题，这样的转换是一个很创新的尝试，模型展示效果也很好，看上去是可以继续研究的方向。
然后提出了两种范式——注释风格和抽取风格的范式来构建目标句子。实验显示不同的任务上，两种范式的效果是各有优势的，之后还可以设计更有效的生成范式，获得更好的效果。