论文精读：Joint Multi-modal Aspect-Sentiment Analysis with Auxiliary Cross-modal Relation Detection

1.JML方法

这篇2021EMNLP的论文首先定义了联合多模态方面集情感分析任务。
在给定数据样例D={(X_n,I_n,A_n,S_n)}n=1~N的情况下，X为长为k的单词序列，I是的图片。而联合任务即是同时抽取方面术语list A(m个)，并对这m个aspect进行分类的sentiment list S。其实就是联合抽取方面术语和其对应的情感(ATE+SC)，基于正确的Aspect来predicate sentiment。【 the goal of JMASA( Joint Multimodal Aspect-Sentiment Analysis ) is to identify all the aspect-sentiment pairs, i.e., (Sergio Ramos, Positive) and (UCL, Neutral).】

而在VLP-MABSA一文中，包括三个子任务，JABSA是其一，其二与其三是Multimodal
Aspect Term Extraction (MATE), and Multimodal
Aspect-oriented Sentiment Classification (MASC).
MASC与JABSA是对正确预测的方面进行evaluate的方法不同，是在推理阶段向模型框架中的解码器提供所有的gold aspect，并对所有aspect进行evaluate。

代码中的JML简单来说就是BERT+RESNET152，整体框架是先图文关系探测，再分层的多模态学习。代码框架是基于SpanABSA的代码，延续用的torch1.1.0(相当古老了)，个人可以用python3.6跑通(Resnet152是来自2021AAAI的RpBert预训练的，关系检测则是借用了VLBERT的部分架构，其TRC数据集更是来自2019的一篇将Twitter数据集图文关系分类的论文)

(1)Cross-modal Relation Detection

整合图文关系到模型中，只保留auxiliary visual information来指导text。这里采用TRC数据集(textimage-data.csv)，

简单来说就是text_is_represented列为1( Some or all of the content words in the text are represented in the image )
以及image_adds=1(Image has additional content that represents the meaning of the text and the image),其中具体又分为(1)图片包含其他文本，为文本增加了额外的意义，或者(2)图片描述了一些东西，为文本增加了信息，或者(3)图片包含其他实体，被文本所引用。

符合以上，则代表图文相关。

关系探测属于预训练步骤，首先，先得到Bert和Resnet的自注意力的模态表示H_o和H_x，再分别获取t2i和i2t的跨模态交互语义捕捉。
最后，在FFN的时候可通过softmax得到关系概率p_r(若<0.5则=0)，H是以上四个拼接的

将其加入交叉熵函数可得关系损失。

(2)Multi-modal Aspect Terms Extraction

前文关系探测的结果与ResNet的图像嵌入输出进行mutmal。即通过G_r这个关系分数来控制附加的视觉线索。可得到跨模态state H_a

有效的视觉线索与T(BERT输出)做ATT_cross，再和T进行element-wise addition。

不同于BIO，此处采用Span(句子开始和结束)来识别候选Aspect，不过由于搜索空间大和多词情感不一致，因此是得到softmax的情感分数。
在训练过程中，考虑到每个句子可能包含多个方面，会标记A中所有方面实体的跨度边界。y_s_i是表明第i个位置是否是一个aspect的开始，y_e标记结束位置

(3)Multi-modal Aspect Sentiment Classification

通过基于位置向量y_s,y_e的跨模态state H_a，在FFN的时候进行分类得sentiment label(Figure右上角)。

具体来说，从y s和y e接收一个多方面跨度列表a。用注意力机制将其对应的边界（si ，ei）中的hidden state representation Ha总结为一个向量Hi u。

与之前的公式9，10，11，12类似

(4) Joint Loss

由于它是方面术语提取和方面情感分类的联合任务，需要同时计算两组不同的损失

ys, ye, yp 是 one-hot 标签，分别表示gold开始、结束位置、真实情感极性，a、m 分别是句子tokens的数量、aspect。