Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction 论文阅读
Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction
南开大学 AAAI 2021
论文地址: https://arxiv.org/pdf/2103.07665.pdf
代码地址: https://github.com/NKU-IIPLab/BMRC
1. 摘要
1.1 任务描述&建模
方面情感三重提取 (ASTE
) 旨在从评论句子中识别方面及其相应的观点表达和情感(at, op, sp)
。
本文将 ASTE 任务转换为多轮机器阅读理解 (MTMRC) 任务,并提出了一个Bidrectional-MRC (BMRC) 框架来应对这一挑战。设计了三种类型的查询,包括非限制性提取查询
(第一轮查询)、限制性提取查询
(第二轮查询可以理解为给定方面/意见术语查询另一个术语)和情感分类查询
(第三轮查询),以建立不同子任务之间的关联。
1.2 前两轮查询时分为双向的
目的是为了抽取(at, op)
对
正向:
第一轮抽取方面术语Aspect Term,第二轮根据方面术语抽取意见术语Opinion Term
反向:
第一轮抽取意见术语Opinion Term, 第二轮根据意见术语抽取方面术语Aspect Term
1.3 第三轮
通过得到的前两轮得到(at, op)
对进行情感分类得到情感极性Sentiment Polarity,以获得(at, op, sp)
三元组
2. 介绍
ASTE 任务的示例。方面、意见表达和情感分别用红色、蓝色和绿色标记
3. BMRC模型架构
第一轮:非限制性提取查询
设计查询 “ What aspects?
”来提取方面术语的集合 A = {at}
第二轮:限制性抽取查询:
设计查询 “ What opinion given the aspect at
? ”来提取相应的意见术语, 对于每个方面 术语 并形成(at, op)
对。
第三轮:情感分类查询
设计查询“ What sentiment given the aspect ai and the opinion {ops}
? ”
判断每个(at, op)
对的情感极性。得到三元组(at, op, sp)
3.2损失计算
输入构建:{[CLS], qi,1, qi,2, ..., qi,|qi|, [SEP], x1, x2, ..., xN}
第一轮:非限制性查询Loss(这里是双向损失)
第二轮: 限制性提取查询Loss(这里是双向损失)
第三轮:对于情感分类查询,我们最小化交叉熵损失函数Loss如下:
整个模型的损失目标:
我们利用两个二元分类器来预测答案跨度,每个token进行开始/结束二分类
4. 实验结果
5.总结(贡献)
- 将方面情感三重提取 (ASTE) 任务形式化为多回合机器阅读理解(MTMRC)任务。基于这种形式化,我们可以在一个统一的框架中优雅地识别方面情感三胞胎。
- 提出了一个双向机器阅读理解(BMRC)框架。通过设计三回合查询,我们的模型可以有效地建立意见实体提取,关系检测和情感分类之间的关联。
- 我们在四个基准数据集上进行了广泛的实验。实验结果表明,我们的模型达到了最先进的性能。
Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction 论文阅读相关推荐
- Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction 复现
论文地址(AAAI 2021):https://arxiv.org/pdf/2103.07665.pdf 论文代码:https://github.com/NKU-IIPLab/BMRC 论文讲解:ht ...
- [论文阅读]Bidirectional Machine Reading Comprehension for Aspect Sentiment Triplet Extraction
摘要 方面情感三元提取(ASTE)旨在识别评论句子中的方面及其相应的意见表达和情绪,是细粒度意见挖掘中的一项新兴任务.由于 ASTE 由多个子任务组成,包括意见实体提取.关系检测和情感分类,因此适当地 ...
- Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction 论文阅读 ACL2021
目录 摘要 针对问题: 解决方法: 2 Span-based ASTE 2.1 Task Formulation 2.2 Model Architecture 2.2.1 Sentence Encod ...
- A Robustly Optimized BMRC for Aspect Sentiment Triplet Extraction 论文阅读
A Robustly Optimized BMRC for Aspect Sentiment Triplet Extraction用于方面情感三重提取的稳健优化BMRC 中南大学 NAACL 2022 ...
- 【论文阅读笔记|EMNLP2022】A Span-level Bidirectional Network for Aspect Sentiment Triplet Extraction
论文题目:A Span-level Bidirectional Network for Aspect Sentiment Triplet Extraction 论文来源:EMNLP2022 论文链接: ...
- 《Learning Span-Level Interactions for Aspect Sentiment Triplet Extraction》论文阅读
文章目录 文章概述 文章模型 句子编码 方法模块 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 ...
- 23.Position-Aware Tagging for Aspect Sentiment Triplet Extraction阅读笔记
23.Position-Aware Tagging for Aspect Sentiment Triplet Extraction阅读笔记 Author Information::Lu Xu* 1, ...
- Enhanced multi-channel graph convolutional network for aspect sentiment triplet extraction.
1前言 关于情感三元组的任务和背景前面的文章已经介绍过了,不再赘述前人工作和摘要. 2预备知识 2.1GCN 图卷积神经网络GCN就是一个结合了注意全局信息的特征提取器. 假设我们手头有一批图数据,其 ...
- NLP-阅读理解:“阅读理解”综述(Machine Reading Comprehension, MRC)【完形填空、多项选择、抽取式(答案片段抽取)、生成式(自由作答)】《机器阅读理解数据集》
<原始论文:Neural Machine Reading Comprehension: Methods and Trends> 一.阅读理解概述 所谓的机器阅读理解(Machine Rea ...
最新文章
- [code]代码格式1
- 查询删除的外向交货单
- C++11新特性的总结
- IE9 Preview 4的CSS3支持。
- 之前接触过的测试的相关工具
- Java包装类、装箱和拆箱
- Element - Vue UI Framework
- MemCache详细介绍
- ORB-SLAM 解读(二) ORB描述子如何实现旋转不变性
- 网络编程+Socket+UDP+TCP+三次握手四次挥手
- 3D旋转相册html+css代码分享
- PDM系统服务器管理,PDM产品数据管理系统
- win7设置护眼模式
- 等差数列_等比数列公式
- 1071: 数塔 (动态规划)
- java爬取闲鱼商品信息(一)
- 2022年服装进销存软件排行榜重磅出炉!
- 点击iframe里面嵌入的内容,获取iframe标签外面的元素,获取不到的问题
- angular的父子controller通信
- 阿里云轻量应用服务器环境搭建-Docker删除镜像