[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，提取方面术语和情感极性，或者成对地提取方面和意见术语。最近，已经提出了三元组提取任务，即从句子中提取（方面项、意见项、情感极性）三元组。然而，以前的方法无法解决统一的端到端框架中的所有子任务。在本文中，我们提出了一个完整的 ABSA 解决方案。我们构建了两个机器阅读理解 (MRC) 问题，并通过联合训练两个具有参数共享的 BERT-MRC 模型来解决所有子任务。我们对这些子任务进行了实验，并且在几个基准数据集上的结果证明了我们提出的框架的有效性，它明显优于现有的最先进的方法。
在本文中，我们提出了一个联合训练框架，以在一个模型中处理所有ABSA子任务（如图1所述）。我们使用BERT（Devlin等人2019）作为我们的骨干网络，并使用基于跨度的模型从句子中检测AT / OT的开始/结束位置。基于Span的方法优于传统的基于序列标记的提取任务方法（Hu等人，2019）。根据其思想，使用了一种基于非最大抑制算法（NMS）的启发式多跨度解码算法（罗森菲尔德和瑟斯顿1971）。

我们将原始的三元组提取任务转换为两个机器阅读理解（MRC）问题。如果使用预先训练的BERT模型，则已知MRC方法有效。原因可能是BERT通常使用下一个句子预测进行预先训练，以捕获成对的句子关系。从理论上讲，三元组提取任务可以分解为子任务AE，AOE和SC。因此，我们使用左MRC处理AE，使用右MRC处理 AOE 和 SC。

贡献：

• 我们展示了三重提取任务可以由三个目标联合训练。
• 我们提出了一个双MRC框架，可以处理ABSA中的所有子任务（如表1所示）。
• 我们进行实验以比较我们提出的框架关于这些任务。实验结果表明，所提方法优于现有方法。
  

模型

三元组抽取的联合训练

ABSA的任务：

• AE: AT extraction 方面术语提取
• OE: OT extraction 观点术语提取
• SC: aspect-level sentiment classification 方面级情感分类
• AESC : AT extraction and sentiment classification 方面术语提取和情感分类
• AOE : aspect-oriented OT extraction 方面词导向的观点术语提取
• Pair: (AT, OT) pair extraction （方面术语，观点术语）对提取
• Triple: (AT, OT, SP) triple extraction（方面术语，观点术语，情感极性）三元组提取

其它子任务可以被当作三元组提取任务的特殊情况。

给定最大长度为n的句子$x_j$，$T_j=\{(a,o,s)\}$是输入句子$x_j$的三元组输出。对于训练集$D=\{(x_j,T_j)\}$， 最大似然：

$$L(\mathcal{D})=\prod _{j=1}^{|\mathcal{D}|}\prod _{(a,o,s)\in T_j}P\left((a,o,s)\mid x_j\right)$$

定义：

$$T_j\left|a:=\left\{(o,s),(a,o,s)\in T_j\right\},k_{j,a}:=\right|T_j|a|$$

$x_j$的对数似然：

$$\begin{array}{rl}\ell \left(x_j\right)& =\sum _{(a,o,s)\in T_j}\log P\left((a,o,s)\mid x_j\right)\\ & =\sum _{a\in T_j}\sum _{(o,s)\in T_j\mid a}\log P\left(a\mid x_j\right)+\log P\left((o,s)\mid a,x_j\right)\\ & =\sum _{a\in T_j}\left(\sum _{(o,s)\in T_j\mid a}\log P\left(a\mid x_j\right)\right)\\ & +\sum _{a\in T_j}\left(\sum _{(o,s)\in T_j\mid a}\log P\left(s\mid a,x_j\right)+\log P\left(o\mid a,x_j\right)\right)\end{array}$$

最后一个等式成立，因为在给定句子$x_j$和方面术语$a$的情况下，观点术语$o$和情感极性$s$是有条件独立的。

$$\begin{array}{rl}\ell \left(x_j\right)& =\sum _{a\in T_j}{k}_{j,a}\cdot \log P\left(a\mid x_j\right)\\ & +\sum _{a\in T_j}\left(k_{j,a}\cdot \log P\left(s\mid a,x_j\right)+\sum _{o\in T_j\mid a}\log P\left(o\mid a,x_j\right)\right)\end{array}$$

我们在$x_j\in D$上求和，并对两边进行归一化，然后我们得到以下形式的对数似然:

$$\begin{array}{rl}\ell (\mathcal{D})& =\alpha \cdot \sum _{j=1}^{|\mathcal{D}|}\sum _{a\in T_j}\left(\sum _{a\in T_j}\log P\left(a\mid x_j\right)\right)\\ & +\beta \cdot \sum _{j=1}^{|\mathcal{D}|}\sum _{a\in T_j}\log P\left(s\mid a,x_j\right)\\ & +\gamma \cdot \sum _{j=1}^{|\mathcal{D}|}\sum _{a\in T_j}\left(\sum _{o\in T_j\mid a}\log P\left(o\mid a,x_j\right)\right)\end{array}$$

从上式，我们可能得出结论三元组抽取任务可以转换为AE, SC, AOE的联合训练。

双-MRC结构

两个部分都使用 BERT作为它们的backbone来编码上下文信息。BERT 是一个基于多层双向 Transformer 的语言表示模型。令 $n$ 表示句子长度，$d$ 表示隐藏维度。

假设最后一层的输出为$h^{l,s},h^{r,s},h^{l,e},h^{r,e}\in {\mathbb{R}}^{(n+2)\times d}$，用来提取，$l/r$代表左/右，$s/e$代表start/end。

• 左侧

从给定的文本中提取所有的AT方面术语→完成AE任务。对于左边的部分，我们得到start/end位置的对数和概率。

$\begin{array}{ll}{g}^{l,s}=W^{l,s}{h}^{l,s},& p^{l,s}=\mathrm{softmax}\left(g^{l,s}\right)\\ g^{l,e}=W^{l,e}{h}^{l,e},& p^{l,e}=\mathrm{softmax}\left(g^{l,e}\right)\end{array}$

loss：

${\mathcal{J}}_{AE}=-{\sum }_i{y}_i^{l,s}\log \left(p_i^{l,s}\right)-{\sum }_i{y}_i^{l,e}\log \left(p_i^{l,e}\right)$

$y^{l,s}$和$y^{l,e}$是AT方面术语的开始和结束位置的真值。

• 右侧

提取所有的OT观点术语和找到对应的具体AT的情感极性。

$\begin{array}{ll}{g}^{r,s}=W^{r,s}{h}^{r,s},& p^{r,s}=\mathrm{softmax}\left(g^{r,s}\right)\\ g^{r,e}=W^{r,e}{h}^{r,e},& p^{r,e}=\mathrm{softmax}\left(g^{r,e}\right)\end{array}$

${\mathcal{J}}_{AOE}=-{\sum }_i{y}_i^{r,s}\log \left(p_i^{r,s}\right)-{\sum }_i{y}_i^{r,e}\log \left(p_i^{r,e}\right)$q情感极性：

$p_{cls}^r=\mathrm{softmax}\left(W_{cls}^r{h}_{cls}^r+b_{cls}^r\right)$

交叉熵loss：${\mathcal{J}}_{SC}=CE\left(p_{cls}^r,y_{cls}\right)$

最小化联合训练loss:

$\mathcal{J}=\alpha \cdot {\mathcal{J}}_{AE}+\beta \cdot {\mathcal{J}}_{SC}+\gamma \cdot {\mathcal{J}}_{AOE}$

MRC数据集转换

在将原始三元组注释输入联合训练 dualMRC 模型之前，必须对其进行转换。两个 MRC 都使用输入句子作为它们的上下文。

左 MRC 的query：

$q_1$ = “Find the aspect terms in the text.”

已知AT，右MRC的query：

$q_2(AT)$ = “Find the sentiment polarity and opinion terms for AT in the text.”

右侧 MRC 的输出是所有 OT 和给定 AT 的情感极性。一个重要的问题是，右侧 MRC 的数量等于 AT 的数量，因此，左侧 MRC 重复该次数。

推理过程

对于Triple，训练过程和推理过程之间的一些差异。
在训练过程中，已知所有AT（方面术语）的真值，然后可以根据这些AT构建右边的MRC。因此，训练过程是端到端的。然而，在推理过程中，AT是左侧MRC的输出。因此，我们以pipeline的方法推断两个MRC。

总结

以上是生活随笔为你收集整理的[论文阅读]A Joint Training Dual-MRC Framework for Aspect Based Sentiment Analysis的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。