[论文笔记-1]Aspect-based Sentiment Analysis as Machine Reading Comprehension
题目、作者
一、Abstract
1. 现有的研究通常通过堆叠多个神经模块来处理基于方面的情感分析,这不可避免地导致严重的错误传播
2. 本文提出了MRCOOL: MRC-PrOmpt mOdeL框架
二、Introduction
1. 方面词提取(Aspect term extraction)和方面层次情感分类(aspect-level sentiment classification)是ABSA的两个子任务;(结合前面两个任务)方面术语提取和情感分类(aspect term extraction and sentiment classification)建立了第三个基本子任务。
example:
2. 通常,MRC模型可以根据给定的段落对问题给出正确的答案
3. 现存的主流研究方法:
① 先提取方面术语,然后用其他作者的方法进行情感分类,来实现AESC
② 通过联合或交互的方式实现方面词的提取和对应情感极性的识别
4. 提示学习是利用预训练语言模型知识的自然方式,其要求将下游任务调整为相应的预训练语言模型的自监督学习任务【关于提示学习详见尾部附录】
5. 阅读理解和提示学习明显的缺点:
① 耗费人力,且不能保证找到最匹配的查询答案。
② 不能充分利用预训练语言模型的知识
6. 由于上述缺点,本文提出一个端到端的MRCOOL框架,可以一次性处理AE、SC和AESC:
AE→阅读理解;SC→提示学习
三、MRCOOL Framework
MRCOOL总览:
3.1 Task Formulation
把AE、SC 、AESC三个ABSA子任务看做一个抽取(aspect, polarity)元组的任务。
我们将AE作为阅读理解任务,把输入的句子X看做段落,把方面词A看做对模型提问的答案
由于AE数据集不包含阅读理解的问题Q(与MRC模型不兼容),所以我们构造了一个专用的问题集合Q。问题集合Q在训练过程中可以优化其embedding,并在连续空间中为每个句子x搜索最优的最佳匹配问题
3.2 Aspect Term Extraction as Machine Reading Comprehension
先看图!
如图所示,得到S后,接下来是方面词的提取(AE),我们采用两个独立的二元分类器来预测一个token是一个方面的开始位置还是结束位置,得到所有方面词的开始和结束位置以后,他们中间的便是aspect。
3.3 Aspect-level Sentiment Classification as Prompt Learning
这部分如果您详细了解过提示学习,就会觉得非常清楚!
在这部分中,我们将普通的情感分类问题,转化为将提示语句Q中[mask]处预测为预先指定的单词w(即从预先定义的答案空间中选取答案进行完形填空)的问题。
第一步:我们挑选了4个提示模板:
第二步:拿到一个句子X和其中的一个方面词,分别将句子填到[CLS]与[SEP]中间,将方面词填到第一步模板中ai的位置(填充前是Ti,填充后是Qi),最终得到的形式(作为预训练语言模型embedding之前的input)。
如果感觉太抽象,看下图便一目了然!
输入之后,embedding、encode,通过一个双层的MLP(防止模型稀疏)预测,得到预先定义好的答案空间中的答案(即对[mask]位置的预测,进行完形填空,如I felt the waiters was friendly)
最后,通过argmax函数,将预测[mask]位置得到的预先指定的单词w映射到真正的标签中(如I felt the waiters was friendly→positive),得到最终(ai对应)的情感极性
【注】Verlalizer的作用:将预测[mask]得到的答案(通过算法)映射到真实标签
模型流程总结:
当给定一个句子X时,我们的框架首先将它输入到MRC模型中,并接收候选方面词集合A,然后枚举A中的每个方面词ai构造四个与之对应的X的模板,提示学习模块接收它们并输出极性P,从而得到三元组——(句子、方面、情感极性)作为AESC的结果。
四、实验
附录:
提示学习(prompt Learning)
对输入的文本信息按照特定模板(template)进行处理,把任务重构成一个更能够充分利用预训练语言模型处理的形式。简而言之,就是将输入文本作为一个提示 (prompt),接着拼一个(mask待预测信息的)语句,再让模型来对这个语句的mask部分进行完形填空(从答案空间中寻找答案),最后把找到的答案映射到真实的分类标签(如:good→positive)。【如果用一句话总结提示学习在情感分析中的应用,就是将待分类的text与提示模板(prompt templates)一起喂给模型,让模型完成完形填空的工作】
如果想更深入的学习提示学习,传送门如下:
[综述]鹏飞大神的Pre-train, Prompt, and Predict
近代自然语言处理技术发展的“第四范式”
刘鹏飞大神原版论文:Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing
参考文章:近代自然语言处理技术发展的“第四范式
本篇文献链接:https://aclanthology.org/2022.coling-1.217.pdf
【声明】由于本人能力有限,不免文中有错误之处,还请指正。
[论文笔记-1]Aspect-based Sentiment Analysis as Machine Reading Comprehension相关推荐
- Aspect Based Sentiment Analysis经典模型
本文转载自:https://zhuanlan.zhihu.com/p/81542002 Different from document- and sentence-level sentiment an ...
- 【论文阅读】Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension
Recurrent Chunking Mechanisms for Long-Text Machine Reading Comprehension 论文:https://arxiv.org/abs/2 ...
- 细粒度情感分析(Aspect Based Sentiment Analysis, ABSA),一个从零开始的案例教程【Python实现】
目录 前言 数据和源码 你要了解的基础 1. 细粒度情感分析(ABSA)案例背景 1.1 任务介绍 1.2 数据基本介绍 1.3 如何评估ABSA的结果 2. 任务一:Aspect Term Extr ...
- [论文阅读]A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis
摘要 基于方面的情感分析 (ABSA) 涉及三个基本子任务:方面术语提取.观点术语提取和方面级情感分类.早期的工作只专注于单独解决这些子任务之一.最近的一些工作集中在解决两个子任务的组合,例如,提取方 ...
- 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 ...
- 【ACSA】Beta Distribution Guided Aspect-aware Graph for Aspect Category Sentiment Analysis
Beta Distribution Guided Aspect-aware Graph for Aspect Category Sentiment Analysis with Affective Kn ...
- 论文解读:Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Grap
论文解读:Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Grap ...
- 论文解读:Improving Machine Reading Comprehension with Contextualized Commonsense Knowledge
论文解读:Improving Machine Reading Comprehension with Contextualized Commonsense Knowledge 论文下载:https:// ...
- 清华论文CH-SIMS: A Chinese Multimodal Sentiment Analysis Dataset with Fine-grained Annotations of Modali
CH-SIMS: A Chinese Multimodal Sentiment Analysis Dataset with Fine-grained Annotations of Modality 创 ...
最新文章
- 洛谷P1001 A+B Problem
- win7建立wifi热点
- 《妥协的完美主义—优秀产品经理的实践指南(卷一)》一2.4 分工常见的错误...
- 原生JDBC操作数据库流程
- pylon 内存泄露的问题
- 【干货】一张蓝图九大行动领域,实现AI赋能的企业转型-IBM.pdf(附下载链接)...
- vue中的$event
- Java基础---Java---基础加强---内省的简单运用、注解的定义与反射调用、 自定义注解及其应用、泛型及泛型的高级应用、泛型集合的综合
- Mysql 中文中繁杂的字 插入报错的 解决方案
- 标准c /c++宽字节与多字节的转换
- 梵高画作再现?努比亚AI新旗舰Z18携“地外科技”亮相
- 浅析 | 海岸试验数据管理系统TDM-设计理念(系统特征)
- 编写函数 int min(int x ,int y,int z),实现求出三个数中的最小值。要求在main函数中输入三个整数,然后调用min函数,最后将求得的最小值输出。
- android 从服务端获取的图片怎么适配不同分屏幕的手机,移动端的适配|切图|标注...
- 欢祝圣诞——北斗星的爱!
- 谷歌上面滚动条有时候不管用_可以用的谷歌图片搜图软件
- android go分析和评述,Pathway和GO功能分析及显著性判断
- 限定checkbox最多选中数量
- 专利申请流程及费用,需要准备什么材料,已更新
- 单元测试覆盖分析指标-翻译中