[论文笔记-15]It is Simple Sometimes: A Study On Improving Aspect-Based SentimentAnalysis Performance

题目、作者：

Abstract

1. ABSA任务介绍：方面级情感分析(ABSA)是通过各种互补的子任务（方面词抽取、意见词抽取等）从文本数据中提取关于特定实体（方面词）及其相应方面的观点。

2. motivation：先前的研究都集中在为这些子任务模型的复杂设计上，而本文提出一种可扩展到任何ABSA子任务的生成框架

3. 本文方法介绍：

① idea出处：本文方法建立在一篇NAACL的论文InstructABSA，这篇论文提出了一个基于指令调优ABSA模型的方法，其中包含任务描述，然后是ABSA子任务的上下文示例。

② 本文方法：本文提出PFInstruct，通过在任务描述中添加与nlp相关的任务前缀来扩展这种指令学习范式

1. Introduction

1. ABSA子任务介绍：ABSA任务涉及检测文本S中的意见词o，情感极性s以及与之相关联的方面词a，下图展示了nlp任务相关的前缀、ABSA考虑的5个子任务及对应的输入和输出：

① nlp前缀：

RE：Relation Extraction，关系抽取，旨在从文本中识别并提取实体之间的关系

NER：Named Entity Recognition，命名实体识别，用于识别文本中的实体，如人名、地名、机构名等

更多nlp任务（前缀）可跳转下面连接NLP任务全览：涵盖各类NLP自然语言处理任务及其面临的挑战-优快云博客

② ABSA子任务：

1) ATE：输入一个文本，输出文本中的方面词

2) ATSC：输入文本和文本中的方面词，输出每个方面词对应的情感极性

3) AOOE：输入文本和本文中的方面词，输出文本中的意见词

4) ERSA：输入文本和文本中的方面词，输出情感极性

5) ATSC：输入文本、方面词和该方面词对应的方面类别（比如输入“披萨很好吃”，“披萨”，“食物”），输出情感极性

2. 本文框架介绍：

① 本文框架是对InstructABSA框架的扩展，引入了前缀提示符

② 具体来说，本文在任务中添加了前缀，将评估扩展到生物医学和城市社区等领域，并将所有子任务制定为生成任务。其中添加前缀的目的是：指示模型执行相关的nlp任务，如RE或NER

2. Background and Methodology

2.1 Background: ABSA

1. ABSA介绍：ABSA子任务可以分为单输出子任务和复合输出子任务。在单个输出子任务中，如ATE(方面项抽取)、ATSC(方面-术语情感分类)和AOOE(方面-意见提取)，输出被限制为给定文本S中的方面a、意见o或情感s。复合输出子任务要求{a, o, s}实体类型的组合。本文只研究单个输出子任务

2. 本文额外任务（数据集）介绍：此外，本文还在ERSA和SentiHood任务上评估了本文的模型。其中ERSA是ABSA的扩展任务，给定文本S和两个不同的方面词，目标是预测给定S的方面之间关系的情感极性S。SentiHood任务被定义为ATSC任务的扩展，需要对一个或多个方面类别的每个方面词进行情感分类

2.2 Methodology

给定一个示例S，本文构建一个由4个组件组成的提示符，介绍如下：

1. Prefix（前缀）

明确要求模型解决样本S上的NLP任务的初始指令。

目的：将S中的主要实体包含在一个初步的NLP任务中，该任务可以通知后续的ABSA子任务，以确定S中的主要实体的正确输出。这种NLP任务可以命名为实体识别(NER)或关系提取(RE)。如果方面ai是任务输入的一部分，并且样本包含至少两个实体(或方面)，则应用RE前缀

2. Task definition

ABSA子任务的简要概述。在情感分类任务中，本文还包括一组预定义的类

3. Examples

一个由两个积极的、消极的和中性域内示例组成的集合

4. Sample input

与上下文示例类似，我们为模型提供输入S，并期望模型按照说明生成相应的输出

前缀例子：

3. Results

首先是本文使用的数据集，如图：

其中前5个数据集是领域常用的数据集，后两个数据集在2.1节中介绍过

3.1 Analysis of SemEval subtasks

下面3个表分别显示了ATE、ATSC、AOOE的实验结果：

可以看到，与以前的SOTA方法相比，本文的方法在所有子任务上都取得了更好的性能(f1分数)。这些结果验证了我们最初的假设:指示模型解决目标文本S的相关NLP任务似乎补充了模型对S中主要实体的理解，从而导致更准确的预测。

3.2 Analysis of ERSA and SentiHood

下表展示了ERSA和SentiHood两个数据集的结果，可以看出，前缀的选择很重要，因为它会对模型性能产生负面影响

ERSA的固有性质比其他ABSA子任务提出了更大的挑战，因为文本S中表达的情感不一定反映目标实体a1和a2之间关系的情感，在这种情况下，上下文噪声对模型性能的影响最大。模型需要适应一个专门的领域，并了解任务的细微差别。在nlp任务前缀方面，利用a1和a2的知识来推断它们的语义关系(PFInstruct-RE)比一般实体识别(PFInstruct-NER)提高了模型的性能。然而，它并没有超越没有提示前缀(InstructABSA2设置)的模型性能。