30、面向方面 - 观点对抽取的多表示协同增强模型

面向方面 - 观点对抽取的多表示协同增强模型

在细粒度情感分析领域，方面 - 观点对抽取（AOPE）是一项基础且关键的任务。传统的AOPE方法主要采用流水线框架，但容易陷入误差传播的问题。为了解决这一问题，研究人员提出了各种联合框架，但仍存在一些实际困难需要解决。本文将介绍一种名为多表示协同增强（MRCE）的模型，该模型旨在解决现有方法的不足，并在AOPE任务上取得更好的性能。

现有方法的问题

传统的AOPE工作主要设计流水线框架来进行任务，但容易陷入误差传播。为了解决这个问题，研究人员提出了各种联合框架，但仍存在三个实际困难：
1. 预训练语言模型（PLMs）的代表性能力未充分利用 ：现有工作采用各种PLMs，但没有充分挖掘其代表性能力。BERT在其所有层输出中捕获了丰富的语言信息层次结构，但现有方法未充分利用。
2. AOPR的特定任务表示需要改进 ：为了捕获AOPR的复杂词级关系，现有工作采用自注意力或双仿射机制，但它们的互补优势未被探索。此外，没有工作将相对位置信息纳入AOPR。
3. 缺乏明确和整体的子任务交互学习 ：现有工作缺乏明确和整体的子任务交互学习。虽然SDRN明确建模了术语提取和对识别之间的交互，但需要手动设计超参数进行交互建模，并且无法捕获ATE和OTE之间的明确交互。

MRCE模型概述

为了解决上述问题，本文提出了MRCE模型。该模型主要从以下三个方面进行表示增强：
1. 充分利用BERT的丰富层次结构 ：将BERT的所有层输出纳入模型，以增强