2.1 Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis
Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis
1、基本信息
作者:Yan Ling, Jianfei Yu, Rui Xia
会议:ACL 2022
单位:南京理工大学
2、主要框架
- 任务:Multimodal Aspect-Based Sentiment Analysis(MABSA)
- Multimodal Aspect Term Extraction(MATE)
- input: text-image pair
- output: aspect terms(mentioned in the text)
- Multimodal Aspect-oriented Sentiment Classification(MASC)
- input: extracted aspect term
- output: sentiment class
- Joint Multimodal Aspect-Sentiment Analysis(JMASA)【如下图1所示】
- input: text-image pair
- output: aspect-sentiment pairs
- Multimodal Aspect Term Extraction(MATE)
- 问题
- 现有方法要么
分别使用
预训练的视觉、文本模型,忽略了模态间的对齐关系。 - 要么使用经
通用预训练任务
的视觉-语言模型,不足以识别细粒度的aspect、opinion和模态间的对齐关系。
- 现有方法要么
- 方法
- A task-specific Vision-Language Pre-training framework for MABSA(VLP-MABSA)
- BART-based generative multimodal architecture
- 所有预训练任务和下游任务都可以通用的(unified)多模态encoder-decoder 架构
- 3类task-specific 预训练任务
- Language
- Masked Language Modeling(MLM)
- Textual Aspect-Opinion Extraction(AOE)
- Vision
- Masked Region Modeling(MRM)
- Visual Aspect-Opinion Generation(AOG)
- Multimodal
- Multimodal Sentiment Prediction(MSP)
- Language
- A task-specific Vision-Language Pre-training framework for MABSA(VLP-MABSA)
- 实验结果:超过SOTA
3. VLP-MABSA
模型骨干是BART,a denoising autoencoder for sequence-to-sequence models。将其扩展为同时编码文本和视觉输入,可解码不同模态的预训练任务或下游任务。
3.1. Feature Extractor
- Image Representation:用Faster R-CNN抽取的mean-pooled convolutional features作为视觉特征。
- 抽取并取置信度前36个regions,即R={r1,...,r36}R=\{r_1, ..., r_{36}\}R={r1,...,r36},并保留其semantic class distribution,记为q(v)q(v)q(v)(用于MRM)。
- 每个region的视觉特征向量的维度本来是2048,即ri∈R2048r_i \in \mathbb R^{2048}ri∈R2048,为了和文本特征一致,再用linear transformation layer投影成d维向量,即V∈Rd×36V \in \mathbb R^{d \times 36}V∈Rd×36。
- Text Representation:Embedding Matrix
- 句子分词成tokens,E={e1,...,eT}E=\{e_1, ..., e_T \}E={e1,...,eT}记录其下标序列,TTT是文本长度。
- 从Embedding Matrix中取相应tokens的embeddings,即W={w1,...,wT}W=\{ w_1, ..., w_T\}W={w1,...,wT}。
3.2. BART-based Generative Framework
- Encoder:多层双向Transformer
- 在编码器的输入端,分别用 和 ,和
标识
visual features,textual input的起始和结束。 - XXX表示concatenated的多模态输入。
- 在编码器的输入端,分别用 和 ,和
- Decoder:多层单向Transformer
- 在解码端的输入端,因为所有预训练任务共享同样的解码器,为
标识
不同预训练任务,分别都用两个special tokens作为解码器输入的开始。- <bos><mlm>, <bos><aoe>, <bos><mrm>, <bos><aog>和 <bos><msp>分别是5个预训练任务的special tokens。
- 在解码端的输入端,因为所有预训练任务共享同样的解码器,为
3.3. Pre-training Tasks
- Original dataset: MVSA-Multi
- input: image-text pairs
- output: coarse-grained sentiments
3.3.1 Textual Pre-training
Masked Language Modeling(MLM):对齐文本和视觉特征
mask的策略和BERT一样;
损失函数如下,X~\widetilde {X}X
指的是masked的拼接后的多模态输入XXX。
LMLM=−EX∼D∑i=1TlogP(ei∣e<i,X~)L_{MLM}=-\mathbb E_{X \sim D} \sum_{i=1}^{T} log P(e_i|e_{<i}, \widetilde{X}) LMLM=−EX∼Di=1∑TlogP(ei∣e<i,X)
Textual Aspect-Opinion Extraction(AOE)
:生成文本中的aspects和opinions数据集中不提供aspect和opinion的标注,需用其他的方法构造
监督信号
。- Aspect:一个Named Entity Recognition(NER)工具中的预训练模型(2011)
- Opinion:a sentiment lexicon(SentiWordNet)(2006)
an index generation task:生成所有aspects和opinions的起止下标。
- target标注Y=[a1s,a1e,...,aMs,aMe,<sep>,o1s,o1e,...,oNs,oNs,<eos>]Y=[a_1^s, a_1^e, ..., a_M^s, a_M^e, <sep>, o_1^s, o_1^e, ..., o_N^s, o_N^s, <eos>]Y=[a1s,a1e,...,aMs,aMe,<sep>,o1s,o1e,...,oNs,oNs,<eos>] ,其中M,NM,NM,N指aspect terms 和opinion terms的数量,as,aea^s, a^eas,ae和os,oeo^s, o^eos,oe分别是每个的起止下标。、标识分割、结束。
- 例子如图所示:
- 公式流程:得到token的概率分布。
- htd=Decoder(He;Y<t)h_t^d = Decoder(H^e;Y_{<t})htd=Decoder(He;Y<t) 。HeH^eHe指编码器的输出,Y<tY_{<t}Y<t指解码器t时前的输出。
- H‾Te=(W+HTe)/2\overline{H}_T^e=(W+H_T^e)/2HTe=(W+HTe)/2。一个文本一个固定的值。HTeH_T^eHTe指HTH_THT对应的文本部分。
- P(yt)=Softmax([H‾Te;Cd]htd)P(y_t)=Softmax([\overline{H}_T^e;C^d]h_t^d)P(yt)=Softmax([HTe;Cd]htd)。CdC_dCd指C=[<sep>,<eos>]C=[<sep>,<eos>]C=[<sep>,<eos>]的d维embeddings。
- 损失函数如下,O=2M+2N+2O=2M+2N+2O=2M+2N+2指target标注YYY的长度。
LAOE=−EX∼D∑t=1OlogP(yt∣Y<t,X)L_{AOE}=-\mathbb E_{X \sim D} \sum_{t=1}^OlogP(y_t|Y_{<t},X) LAOE=−EX∼Dt=1∑OlogP(yt∣Y<t,X)
3.3.2 Visual Pre-training
用以下两个任务捕获图像中的主体和客体信息
Masked Region Modeling(MRM):预测masked region的semantic class distribution
在编码器输入端,regions以15%的概率随机被mask,相应的特征会改为零向量。
在解码器输入端,masked region的提示词为,其余为。
在解码器输出后,所有的会追加一个MLP分类器,用以预测其semantic class distribution,记为p(v)p(v)p(v)。
损失函数:减少预测分布和target分布的KL散度。Z指masked regions的数量。
LMRM=EX∼D∑z=1ZDKL(q(vz)∣∣p(vz))L_{MRM}= \mathbb E_{X\sim D}\sum_{z=1}^ZD_{KL}(q(v_z)||p(v_z)) LMRM=EX∼Dz=1∑ZDKL(q(vz)∣∣p(vz))例子如图所示
Visual Aspect-Opinion Generation(AOG)
:生成图像中的aspect-opinion对监督信号
- Adjective-Noun Pair(ANP)(2013):如smiling man and beautiful landscape,分别能捕获细粒度的aspects 和opinions,因此将其作为图像中的aspect-opinion对。
- 用一个预训练ANP检测器DeepSentiBank(2014),预测2089个预先定义的
ANPs的类分布
,概率最高的ANP
作为监督信号。
a sequence generation task
G={g1,...,g∣G∣}G=\{g_1,...,g_{|G|}\}G={g1,...,g∣G∣}指target ANP的tokens,∣G∣|G|∣G∣指ANP tokens的数量
公式流程:
- hid=Decoder(He;G<i)h_i^d=Decoder(H^e;G_{<i})hid=Decoder(He;G<i)
- P(gi)=Softmax(EThid)P(g_i)=Softmax(E^Th_i^d)P(gi)=Softmax(EThid);E指词汇中所有tokens的embedding matrix。【跟之前E的定义不一样?词汇中是所有词典还是输入文本的词?】
损失函数:
LAOG=−EX∼D∑i=1∣G∣logP(gi∣g<i,X)L_{AOG}=-\mathbb E_{X\sim D}\sum_{i=1}^{|G|}logP(g_i|g_{<i},X) LAOG=−EX∼Di=1∑∣G∣logP(gi∣g<i,X)例图[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7W2DprLy-1668692099370)(C:/Users/26282/AppData/Roaming/Typora/typora-user-images/image-20221112163228101.png)]
3.3.3 Multimodal Pre-training
不像前两类预训练任务,MSP的监督信号是多模态的。识别文本和视觉的客观信息,以及他们之间的对齐关系。
Multimodal Sentiment Prediction(MSP)
MVSA-Multi数据集提供粗粒度的情感标签,将其作为监督信号。
a classification task
公式流程:
- hmspd=Decoder(He;Emsp)h_{msp}^d=Decoder(H^e;E_{msp})hmspd=Decoder(He;Emsp);EmspE_{msp}Emsp指两个special tokens相应的embeddings
- P(s)=Softmax(MLP(hmspd))P(s)=Softmax(MLP(h_{msp}^d))P(s)=Softmax(MLP(hmspd));s指相应的情感标签
损失函数:
LMSP=−EX∼DlogP(s∣X)L_{MSP}=-\mathbb E_{X\sim D}logP(s|X) LMSP=−EX∼DlogP(s∣X)例图
3.3.4 Full Pre-training Loss
目标函数
L=λ1LMLM+λ2LAOE+λ3LMRM+λ4LAOG+λ5LMSPL=\lambda_1L_{MLM}+\lambda_2L_{AOE}+\lambda_3L_{MRM}+\lambda_4L_{AOG}+\lambda_5L_{MSP} L=λ1LMLM+λ2LAOE+λ3LMRM+λ4LAOG+λ5LMSP
3.4 Downstream Tasks
下游任务:MABSA的3个子任务,即Joint Multimodal Aspect-Sentiment Analysis(JMASA),Multimodal Aspect Term Extraction(MATE),和Multimodal Aspect-oriented Sentiment Classification(MASC)。
模型:和预训练任务一样
模型输出
- JMASA:Y=[a1s,a1e,...,ais,aie,si,...]Y=[a_1^s,a_1^e,...,a_i^s,a_i^e,s_i,...]Y=[a1s,a1e,...,ais,aie,si,...],a1s,aie,sia_1^s, a_i^e,s_ia1s,aie,si分别指文本中某aspect的起止下标和情感。
- MATE:Y=[a1s,a1e,...,ais,aie]Y=[a_1^s,a_1^e,...,a_i^s, a_i^e]Y=[a1s,a1e,...,ais,aie]。
- MASC:Y=[a1s‾,a1e‾,s1,...,ais‾,aie‾,si,...]Y=[\underline {a_1^s},\underline {a_1^e},s_1,...,\underline {a_i^s},\underline {a_i^e},s_i,...]Y=[a1s,a1e,s1,...,ais,aie,si,...],下划线表示推理时是已知的。
index generation tasks
- 与AOE一样的公式流程,除了special token集合 C=[<POS>,<NEU>,<NEG>,<EOS>]C=[<POS>,<NEU>,<NEG>,<EOS>]C=[<POS>,<NEU>,<NEG>,<EOS>]改成了感情类别。
- JMASA图例
4. 实验
4.1 Experimental Settings
Dataset
下游数据集使用TWITTER-2015和TWITTWE-2017评估VLP-MABSA模型
4.2 对比实验
JMASA
- 从text-based methods的对比可以看出VLP-MABSA中基础模型BART的优越性
- Multimodal methods中JML采用了辅助任务来检测图像与文本的关系,超越了此前所有方法;而VLP-MABSA的F1得分比它分别高了2.5和2.0,这可以归功于3类task-specifc 预训练任务识别了aspects、opinion和模态间的对齐关系。
MATE
MASC
- 要注意JML只评估了正确预测的aspect的结果,而其他都是评估了所有的golden aspects。
4.3 消融实验
以weak supervision为例具体分析每个预训练任务的效果,只加入MLM、MRM提效甚微,AOE、AOG提高很明显,特别是MSP。
- 下游训练时的样本数量少时,预训练带来的提效比没有预训练来的高。数量多时,效果是一样的。
- 这表明预训练方法的鲁棒性和有效性,特别在数据集少的领域。
4.4 实例展示
MM是没有预训练的多模态输入的框架,VLP是预训练后的。
5.思考
- 预训练任务里加入图像与文本的关系
2.1 Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis相关推荐
- [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 ...
- 2019_AAAI_Multi-Interactive Memory Network for Aspect Based Multimodal Sentiment Analysis
Multi-Interactive Memory Network for Aspect Based Multimodal Sentiment Analysis 论文地址:https://ojs.aaa ...
- X-VLM: Multi-Grained Vision Language Pre-Training
Contents Introduction Method Experiment References Introduction 大部分 VLM (Visual-Language Model) 依赖于目 ...
- Efficient Large-Scale Language Model Training on GPU ClustersUsing Megatron-LM
Efficient Large-Scale Language Model Training on GPU ClustersUsing Megatron-LM 1 INTRODUCTION 在这篇文章中 ...
- Multimodal Sentiment Analysis论文汇总
多模态情绪分析论文 Year Title Network Publish Paper Code Read 2019 Multimodal Transformer for Unaligned Multi ...
- 【论文泛读】Deep-HOSeq: Deep Higher Order Sequence Fusion for Multimodal Sentiment Analysis
论文题目:Deep-HOSeq: Deep Higher Order Sequence Fusion for Multimodal Sentiment Analysis 时间:2020 来源:ICDM ...
- 论文翻译(5)-Contextual Inter-modal Attention for Multi-modal Sentiment Analysis
Contextual Inter-modal Attention for Multi-modal Sentiment Analysis 多模态情感分析中的语境跨模态注意 github地址:https: ...
- A Co-Memory Network for Multimodal Sentiment Analysis
Xu N, Mao W, Chen G. A co-memory network for multimodal sentiment analysis[C]//The 41st internationa ...
- MABSA(Multimodal Aspect-Based Sentiment Analysis)2022ACL 预训练
大致浏览,没有细看. 论文题目(Title): Vision-Language Pre-Training for Multimodal Aspect-Based Sentiment Analysis ...
最新文章
- C C++输出语句printf()输出保留小数点后保留1,2,3,4,5,6,7..n位(默认四舍五入)
- Zabbix,Nagios,OneAPM Servers 安装部署
- python是不是特别垃圾-【转】python是垃圾吗?
- C++:不同数据类型作为参数传递和作为返回值的例子
- 正则的文字替换和字符串的替换哪个快_JavaScript正则表达式怎么用?
- 简单的Net::FTP模块的简单应用
- python自动化客户端_python 在 nwjs 应用客户端做 UI 自动化
- 谈谈你对TCP三次握手和四次挥手的理解
- 频繁项集挖掘算法之FPGrowth
- Arcgis Android 基本概念 - 浅谈
- 【论文笔记】多智能体强化学习值分解基础论文5篇
- 开放平台API安全设计方案
- A股全市场股票历史行情Level2快照高频数据
- 两台电脑共享上网怎么设置?快解析轻松解决共享上网问题
- (三星)安卓神器xposed框架ROOT使用指南
- android渠道版本号,2. 验证Android渠道版本渠道号 - 测试手册
- 【腾讯云】记录一次Could not connect to SMTP host: smtp.163.com, port: 25的解决办法
- C#实战011:Excel操作-获取Excel某一列数据并存入数组
- Python 如何画出漂亮的地图?
- redis 的6种过期策略