贴一下汇总贴：论文阅读记录
论文链接：《Utilizing BERT for Aspect-Based Sentiment Analysis via Constructing Auxiliary Sentence》
一、摘要
基于方面的情感分析(aspect -based sentiment analysis, ABSA)是情感分析(sentiment analysis, SA)中一个具有挑战性的子任务，它旨在识别针对特定方面的细粒度意见极性。本文从方面构造辅助句，将ABSA转化为句子对分类任务，如问答(QA)和自然语言推理(NLI)。我们微调了BERT的预训练模型，并在SentiHood和SemEval2014任务4数据集上获得了最新的结果。
二、结论
构造了一个辅助句子来将(T)ABSA从单个句子分类任务转化为一个句子对分类任务。在句子对分类任务中，对预先训练的BERT模型进行了微调，得到了最新的结果。对比了单句分类和基于BERT微调的句子对分类的实验结果，分析了句子对分类的优点，验证了转换方法的有效性。
可能的研究方向：
- 会将这种转换方法应用到其他类似的任务中。
三、TABSA
targeted aspect-based sentiment analysis 基于目标方面的情感分析
旨在识别针对与给定目标相关联的特定方面的细粒度意见极性。
- 第一步是确定与每个目标相关联的方面；
- 第二步是解决各个方面对给定目标的极性。
四、将TABSA任务转换为句子对任务
Sentences for QA-M
- 我们想要从目标方面对生成的句子是一个问题，并且格式需要相同。例如，对于目标方面对(位置1, 安全性)的集合，我们生成的句子是：“你认为位置1的安全性如何？”
Sentences for NLI-M
- 对于NLI任务，我们在生成句子时设置的条件不那么严格，形式也简单得多。这时创建的句子不是一个标准句，而是一个简单的伪句，以(location - 1, safety)对为例：助句是：“location - 1 - safety”。
Sentences for QA-B
- 对于QA-B，我们加入标签信息，将TABSA暂时转化为一个二元分类问题(标签∈{yes, no})，得到概率分布。此时，每个目标-方向对将生成三个序列，如“位置- 1的方向安全极性为正”、“位置- 1的方向安全极性为负”、“位置- 1的方向安全极性为none”。我们使用yes的概率值作为匹配分数。对于产生三个序列(正、负、无)的目标方面对，我们取匹配得分最高的序列类作为预测类别。
Sentences for NLI-B
- NLI-B和QA-B的区别在于助句由疑问句变成了伪句。辅助句有:“location - 1 - safety - positive”、“location - 1 - safety - negative”、“location - 1 - safety - none”。
也就是说QA生成句子，NLI生成伪句；B则是带标签。