A Unified Generative Framework for Aspect-Based Sentiment Analysis

这篇文章作者来自复旦大学，主要设计了一个框架，将细粒度情感分析众多子问题转化成统一的生成问题。

paper
code

任务定义

首先，作者总结了Aspect-based Sentiment Analysis(ABSA)的七个子任务，分别如下：

这七个子任务根据类型可以分为两种：抽取问题、分类问题。作者将这两类任务统一转换成了生成任务，作者规范了转换目标序列定义，如Triplet这个子任务目标序列为$a^s{a}^e{o}^s{o}^e{s}^p</s>$,分别代表aspect开始和结束坐标（0，len-1），opinion开始和结束坐标，情感倾向tag（NEU，POS，NEG），序列结束符号 。

1. 只需要输入句子S
   

2. 特别的，需要输入句子S+方面词a，作者将输入的a放在目标生成序列中，即下划线是根据输入给定的aspect监督生成的。
   

模型

模型特点

1. 以BART作为生成模型
2. 以生成方式统一任务方案

模型结构

• 输入层：句首加入$<s>$ 句尾加入 < / s > </s> input embedding = position embedding + token embedding

• 编码层：
  首先将输入的embedding过一遍BART Encoder
  
  然后经过一个全连接层
  
  将输出与输入embedding残差链接
  
  将上面向量与情感类别集合的BARTTokenEmbed拼接
  

• 解码层:
  将BARTEncoder的输出＋（1-t-1）时刻BARTDecoder的输出作为BARTDecoder输入，由于BARTDecoder输出的全是索引下标，所以需要用一个index2token模块去转换成token输入。
  
  
  yt$X_{y_t}$，如果大于n则是情感类别$C_{y_t-n}$

• 输出层：
  
  将encoder最后的向量表示拼接情感类别token的embedding，与decoder输出隐向量点乘过一层softmax做分类得到输出token索引下标

实验

度量方法

P, R, F1:一个sample正确的条件是aspect、opinoin边界完全一致，情感极性也与标签相同。

数据集

14， 15 ，16 res/lap

实验组

1. 针对不同的baseline适用于不同的子任务，作者将baseline分为三大组实验比较
   
   
   在整体上这个模型的表现还是挺好的，似乎在给定aspect的任务上（ALSC，AOE）有些时候表现不如BMRC，QA方法在给定目标的时候有比较好的表现方法。

2. 作者分析模型错误的预测序列占比，所谓错误的序列分为三种：invalid size(序列长度不是5), invalid order(起始位置大于终止位置), invalid token(起始位置或终止位置不在序列下标索引范围内)
   

3. 作者分析beam search 的搜索范围对结果的影响，实验证明影响很少