ACL'22 | 西湖大学提出：面向Aspect情感分析的离散意见树归纳方法
作者: 周婷
方向: 情感分析
学校: 中山大学
论文：Discrete Opinion Tree Induction for Aspect-based Sentiment Analysis
单位：西湖大学、苏州大学
地址：https://aclanthology.org/2022.acl-long.145.pdf
「文章贡献」：
在本文中，我们探索了一种简单的方法，为每个方面自动生成离散意见树结构。用到了RL。
首先为每个方面生成离散意见树，设方面词的位置为[b,e]，则首先将方面跨度[b, e]作为根节点，然后分别从跨度[1,b−1]和[e+1, n]构建它的左子节点和右子节点。为了构建左子树或右子树，我们首先选择span中「得分最大的元素」作为子树的根节点，然后递归地对相应的span分区使用build_tree调用。（除了方面词外其他node都是单个词）。
关于得分分数的计算，选择将" "作为BERT的输入得到特殊于方面词的句子表达H，然后按照如下计算得分：
其中h是H中方面词部分的平均池化，构建树的这部分包含的参数有三个以及BERT参数部分。
构建树的这一部分称为，输入为x和a（用于打分），输出为一棵树，参数 ϕ 包括上述参数。这一部分参数使用RL进行更新而不是最终损失函数的反向传播。
生成树以后开始正式执行预测任务，模型非常简单。
将上面得到的树生成邻接矩阵，经过GCN（可能多层），取最后一层GCN的输出结果的方面词部分以及[CLS]这个token的表达之和作为query，与GCN的输入的初始向量特征（也就是原句子经过句子编码器得到的）做注意力机制，用输入去表达最终的方面级分类特征。
最后输出分类结果
损失函数：
注意这个论文分为两个模块，第一个是生成树，利用得到t；第二部分是预测， ，这里的 θ 包括GCN模块的参数和输出（等式5）的部分，PS注意力模块没有引进参数哦。
第二部分使用上述损失函数进行优化，由于树的采样过程是一个离散的决策过程，因此它是不可微的，第一部分使用的是RL进行优化。
强化学习实现训练部分还没看。
实验效果和分析
图3a和图3b分别显示了方面术语“scallops”的induced tree和dependency parse：
图4a和图4b显示了两个情绪极性不同的方面术语的induced tree:
aspect 和 opinion word的距离分析：
基于MAMS的测试集分类精度与训练集中各方面频率的关系：
COLING'22 | SelfMix：针对带噪数据集的半监督学习方法
ACMMM 2022 | 首个针对跨语言跨模态检索的噪声鲁棒研究工作
ACM MM 2022 Oral | PRVR: 新的文本到视频跨模态检索子任务
微信扫码关注该文公众号作者