《Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction》论文阅读

文章概述

  目前针对于ASTE任务的处理方法大多是基于单词与单词之间的交互，导致了如果方面实体或者意见词包含多个token的时候表现不佳。因此这篇文章提出了一个跨度级别（Span-ASTE）的方法，显示地考虑了目标和意见之间整个跨度的相互作用。其可以通过使用整个跨度的语义进行预测，从而可以更好的确保情感的一致性。

文章模型

  该文提出的Span-ASTE模型如上图所示，一共包含了三个部分：句子编码，方法模块和三元组模块。

句子编码

  对于句子编码这里作者采用了2种方式，一个是用Glove，另一个是BERT，当然肯定是BERT更好。在获得每个单词的隐藏层状态表示后，作者通过预定义的跨度长度，逐个单词的生成其对应长度的跨度表示，如下所示：

其中这个Fwidth代表的是这个跨度的宽度表示，开头2个就是拼接起始和接受位置，当然这里作者也做了平均池化和跨度池化的对比。

方法模块

  这里作者将第一步获得的跨度表示，输入到一个前馈神经网络用以处理ATE任务或者OTE任务。

但是这里有一个问题，即这样的跨度太多了，如果每一个都要这样判断的话时间复杂度就太高了，因此作者这里设立了一个双向剪枝策略，也就是对提取的每个跨度分别判断其是否为方面实体或者意见词

  最后就是根据得到的方面实体跨度和意见跨度，判断相应的情感极性

Invalid代表其为无效情感，比如是无效配对等等。
  最后自我感觉，还是类似于一个多任务的处理。
文章地址：Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction