.png){kind=icon}
返回
Weakly Supervised Open-Domain Aspect-Based Sentiment Analysis
.png){kind=icon}
PRE
AI
DOI：10.1145/3747849.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于方面的情感分析（ABSA）包含多个子任务：方面术语抽取（ATE）、观点术语抽取（OTE）、方面术语情感抽取（ATSE）、方面-观点对抽取（AOPE）以及方面情感三元组抽取（ASTE）。现有的ABSA统一框架严重依赖大规模标注数据，限制了跨领域的可扩展性。我们提出了UAOS，一种双层统一跨度抽取框架，可在弱监督下执行所有五个ABSA子任务。我们的方法首先利用通用依存关系规则从未标注语料库中抽取方面-观点对。这些对的情感标签通过一种新颖的零样本、领域无关的提示生成方法生成。由此产生的弱标签训练一个配备典型相关分析的统一跨度抽取架构，用于早停，并采用自训练机制来缓解监督中的噪声和偏差。在四个ABSA基准数据集上的大量实验表明，UAOS的性能与完全监督的基线相当或更优。在ATE、OTE和AOPE方面，它分别较当前最佳方法ODAO提升了+1.54 F1、+0.56和+0.82。在ATSE和ASTE方面，由于缺乏弱监督基线，UAOS超越了多个监督模型，并设立了新的基准。为评估领域泛化能力，我们在涵盖四种教学条件的学生反思心理学/教育领域数据集上评估了UAOS。未经领域微调，其宏观F1分数达到ATE 71.05、OTE 74.39、AOPE 68.24和ASTE 60.56。这些结果突显了模型对分布外、非商业文本的泛化能力，强调了其在低资源ABSA应用中的可扩展性。
Keyword:
Aspect-Based Sentiment Analysis
Unified Span Extraction
Weak Supervision
Zero-Shot Learning
Domain Generalization
期刊
IF:
4.8
论文数:
1.3K
被引数:
4.4K
机构
暂无机构信息
.png){kind=icon}
