1. 任务定义与形式化
属性级情绪分类的目的是：
- 对文本中的目的实体（entity）及其属性（aspect）进行情绪分析。
- 其形式化定义为五元组 (e, a, s, h, t)：
- e：被评价的目的实体。
- a：目的实体中的某个属性。
- s：对实体属性的情绪倾向（正、负、中立或打分）。
- h：观点持有者。
- t：发表观点的时间。
- 属性抽取（Aspect Extraction，AE）：从文本中识别出所有属性。
- 属性级情绪分类（Aspect-Level Sentiment Classification, ALSC）：判定每个属性的情绪倾向。
此外，另有扩展任务：
- 观点抽取（Opinion Extraction，OE）：从文本中提取与属性干系的观点词。
- 三元组团结抽取：同时完成AE、OE和情绪分类。
- 属性-观点团结抽取（Pair Extraction）：抽取成对的属性和观点词。
2. 方法
在属性级情绪分类中，以下方法被提到：
(1) 属性抽取（AE）
- Seq2Seq模型：采用GRU门控单元，结合位置感知的注意力机制。
- 序列标注方法：使用BIO标注体系对属性进行标注。
(2) 属性级情绪分类（ALSC）
- 基于注意力的LSTM（ATAE-LSTM）：
- 在句子中针对差别属性动态调解注意力的关注点。
- 属性信息可以拼接到LSTM的输入层或隐层中。
- TC-LSTM模型：结合上下文和属性信息进行分类。
(3) 属性导向的观点抽取（AOE）
- 使用Encoder-Decoder框架。
- 结合内向LSTM和外向LSTM，获取目的和上下文的全局信息。
(4) 属性抽取+情绪分类（AESC）
- Pipeline模型：通过先抽取后分类的框架实现，基于BERT的双向编码器。
- 预测属性的开始位置和竣事位置后，直接对属性进行情绪分类。
(5) 属性观点团结抽取（Pair Extraction）
- SpanMIT模型：基于多任务学习，结合BERT/BiLSTM对可能的跨度进行罗列和监督，提取属性-观点对。
(6) 三元组团结抽取
- 基于BERT的Span模型：在一个框架中处理所有ABSA子任务（AE、OE和情绪分类），通过检测句子中各个组件的位置和种别来完成任务。
- 同一生成框架（Unified Generative Framework）：基于BART模型，将所有ABSA任务同一为概率计算问题。
(7) 基于大模型的方法
- Counterfactual数据加强：生成反究竟样本（比方将“Never bad”与“positive”虚伪关联冲破）来提升模型鲁棒性。
- Instruction Tuning：通过检索示例和语言模型推理相结合进行任务优化。
3. 总结与未来方向
属性级情绪分类的未来研究方向包罗：
- 复杂属性的多元组抽取。
- 团结学习（同时抽取和分类）。
- 引入外部知识（语义、词典、常识等）。
- 表示学习（基于Transformer、图神经网络GNN等）。
这些方法和技术的目的是提升情绪分析的精度与鲁棒性，同时应对更复杂的情绪分析场景。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
