ACL 2023 | 对话场景中的方面级情感分析任务、数据与方法
论文作者：
李波波¹，费豪²，李霏¹，吴雨晗¹，张津菘¹，吴胜琼²，李京烨¹，柳宜江¹，廖黎姿³，Tat-Seng Chua²，姬东鸿¹
作者单位：
收录会议：
ACL 2023, Findings
项目主页：
代码和数据：
https://github.com/unikcc/DiaASQ
论文链接：
一句话概括本工作：本研究首次提出了对话场景下的方面级情感四元组分析任务，并标注了包含中英文双语的大规模数据集，并提供了一个基于词对关系建模的基线模型，从而填补了对话场景下观点挖掘和细粒度情感分析的空白，也为情感分析领域的研究提出了新的挑战。
1.1 方面级情感分析任务（ABSA）背景
情感分析可以赋予机器理解人类情感的能力，是自然语言处理中一个重要的研究任务。近年来，针对特定方面进行细粒度情感分析的任务，也就是所谓的方面级情感分析（Aspect-based Sentiment Analysis，ABSA），越来越受到研究者关注。
最初的 ABSA 研究主要围绕着方面词（Aspect term）和情感极性（Polarity）的抽取展开；随后的研究则开始关注观点词（Opinion），诞生了如方面-观点二元组抽取、方面-观点-极性三元组抽取等任务；在最新的 ASBA 研究中，研究者们在三元组中添加了方面的类别（Category），从而形成了四元组抽取任务。这种四元组抽取任务抽取的元素最为全面，有助于更深度的理解方面级情感。
1.2 当前ABSA任务的不足
然而，我们注意到，现有的 ABSA 研究主要针对单一的文本片段进行。例如，大多数 ABSA 任务的数据基于 SemEval 语料库进行标注，而该语料的内容主要是孤立的句子，这无疑限制了 ABSA的应用范围。在现实世界中，对话场景下的 ABSA 有着巨大的应用潜力。如在社交媒体上，人们讨论产品、服务或政治等话题时，如果能有效运用 ABSA 技术，我们将能够深入理解和分析人们的情感和观点。然而，遗憾的是，对话场景下的 ABSA 分析还未得到足够的重视。
1.3 对话场景下的ABSA任务
▲ 图1 对话场景中的方面级情感四元组示例
为了解决这个问题，受到先前的 ABSA 四元组研究的启发，我们在本文中提出了一种全新的任务——对话场景下的情感四元组分析，简称为 DiaASQ。在这项任务中，我们以多人对话为分析对象，目标是识别和解析出对话中蕴含的情感四元组，即分析对于特定目标的特定方面所提出的观点，及其相应的情感极性。
例如，如图 1 所示，我们的目标是从对话中抽取出类似于（'Xiaomi 11', 'WiFi module', 'bad design', 'negative'），（'Xiaomi 11', 'battery life', ‘not well', 'negative'）和（'Xiaomi 6', 'screen quality', 'very nice', 'positive'）这样的四元组。
具体来说，我们的任务定义如下：
输入：一组对话 。其中 代表说话者编号， 代表句子， 代表具体的单词， 代表第 个句子回复的是第 个句子。 输出：四元组集合 ，其中 分别代表目标、方面、观点和情感极性， 分别是原文中连续的 span 片段， 是一个类别。 评价指标：我们以四元组和前三个元素组成的三元组的 F1 得分作为我们的评价指标，分别记为 Micro-F1 和 Iden-F1。
▲ 图2 原始数据获取和清洗流程
▲ 表1 标注数据统计结果
数据统计显示，每个数据包含 7452 句子的 1000 条对话的 DiaASQ 数据。平均每组对话涉及 5 个说话者，约 22% 的对话四元组存在跨句子的情形。例如：图1中（‘Xiaomi 6’, ‘screen quality’,’very nice’, positive）就属于跨句子的四元组。这种跨句子的情形抽取难度较大。
▲ 图3 模型框架
与传统的 ABSA 任务相比，DiaASQ 面临两大挑战。首先，DiaASQ 涉及到三个元素的抽取和一个元素的分类。如果我们尝试枚举所有可能的组合来进行四元组的抽取，那么任务的复杂度可能会迅速增加。其次，一个四元组的元素可能分布在不同的对话句子中。因此，我们需要在充分理解话语结构的基础上进行抽取，这使得对话内的四元组抽取比句子内的抽取难度更大。
为了应对这些挑战，我们提出了一个端到端的框架来进行 DiaASQ 的抽取。如图 3 所示，我们的抽取过程主要包含四个步骤：
首先，在编码过程中，使用预训练语言模型编码原始对话文本。 然后，在话语对之间加入多视图交互机制，提升来自同一说话者、来自同一线程和具有回复关系的话语对之间的交互作用，从而强化对话结构信息的利用。 同时，引入了旋转位置编码（RoPE）来强化 token pair 之间的相对位置信息。 最后，设计了新的网格编码机制，将原始的四元组映射为三个不同的 token pair 关系矩阵，通过拟合和预测关系矩阵的标签来编码和解码 DiaASQ 四元组。
实验结果
为了验证模型的效果，我们对中英文两个数据集进行了实验。由于没有可以直接应用于 DiaASQ 任务的基线模型，我们选择了一些专门针对句子级 ABSA 任务的模型，对它们进行了改造以适应我们新任务（详情见表 2）。除了关注四元组的抽取效果，我们还对 Span 抽取和 Pair 抽取的效果进行了评估。
▲ 表2 实验结果
观察表 2 所示的实验结果，我们有如下几个发现：
在 span 抽取方面，基线模型和我们模型的效果差别不大，这是因为识别基本的目标、方面和观点识别是一个比较成熟的任务。 在 Pair 抽取方面，我们的模型在两个数据集的大多数指标都比 baseline 提升 5 个百分点以上，说明我们的模型在对话中的情感信息挖掘方面比 baseline 更具优势。 在四元组抽取方面，我们的模型展示了绝对的领先优势，在两个数据集的两个指标上分别至少提高 6 个百分点，证明了我们设计的模型在 DiaASQ 任务上的良好效果。
▲ 表3 消融实验
▲ 图4 消融实验
进一步的消融实验表明，我们引入的多视图交互和 RoPE 相对位置编码机制在跨句子四元组的抽取过程中起到了很大的帮助。其中，RoPE 在处理跨度为 1 的四元组的抽取方面表现出了明显的优势，而多视图交互在四元组跨度更大的情况下仍然表现出了出色的效果。
结论
在本篇文章中，我们介绍了一个新的任务，即对话场景下的方面级情感四元组抽取任务（DiaASQ）。该任务的目标是从对话文本中抽取出（目标、方面、观点、情感极性）这四个关键元素，从而填补了对话场景下的观点挖掘和细粒度情感分析的研究空白。我们为该任务标注了一个包含 1000 组对话的大规模、高质量的双语数据集。为了解决 DiaASQ 任务中的挑战，我们设计并实现了一个端到端的抽取模型。
实验结果证明，我们的模型不仅在四元组抽取方面表现出色，而且在理解对话特征和分析跨句子四元组方面也有一定优势。尽管如此，我们的模型在四元组抽取上的绝对分数依然偏低，说明了该任务仍然具有很大挑战性。
未来展望
最后，我们认为未来的工作可以考虑从以下几个方面进行深入研究，以提升 DiaASQ 任务中模型的性能：
进一步探索如何利用句法、语义信息，以及树状、图状的话语结构信息等，来丰富我们的模型和改善其表现。
引入代消解机制：通过引入指代消解机制，我们可以有效解决跨句子四元组的抽取问题，从而进一步提升模型的表现。
引入外部情感知识：基于以往针对 ABSA 任务的经验，我们认为引入外部情感知识库可以有效提升模型在 DiaASQ 任务上的效果。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧