STAGE: Span Tagging and Greedy Inference Scheme for Aspect Sentiment Triplet Extraction

要約

タイトル：STAGE：Aspect Sentiment Triplet Extractionのためのスパンタギングとグリーディー推論スキーム

要約：

– ASTEは、表現の分析研究における新興の課題であり、与えられた文章からアスペクト用語、その対応する意見用語、および関連する感情極性を抽出することを目的としている。
– 多くのニューラルネットワークをベースにしたモデルが提案されているが、ほとんどのものが限界を持っている。
– STAGEは、スパンレベルで感情トリプレットを抽出するための画期的なアプローチを提案している。
– ASTEの課題をマルチクラススパン分類問題として定式化し、スパンレベルの情報と制約を探索することで、より正確なアスペクト感情トリプレット抽出を生成する。
– STAGEは、候補スニペットから最大のアスペクト/意見用語を取得することでグリーディー推論戦略を採用している。
– このアプローチは、STAGEモデルを基にして簡単かつ効果的に構築されており、広く使用されている4つのデータセットで既存の研究を大きく上回っている。
– STAGEは、他のペア/トリプレット抽出タスクにも適用でき、提案されたスキームの優越性を示している。

要約(オリジナル)

Aspect Sentiment Triplet Extraction (ASTE) has become an emerging task in sentiment analysis research, aiming to extract triplets of the aspect term, its corresponding opinion term, and its associated sentiment polarity from a given sentence. Recently, many neural networks based models with different tagging schemes have been proposed, but almost all of them have their limitations: heavily relying on 1) prior assumption that each word is only associated with a single role (e.g., aspect term, or opinion term, etc. ) and 2) word-level interactions and treating each opinion/aspect as a set of independent words. Hence, they perform poorly on the complex ASTE task, such as a word associated with multiple roles or an aspect/opinion term with multiple words. Hence, we propose a novel approach, Span TAgging and Greedy infErence (STAGE), to extract sentiment triplets in span-level, where each span may consist of multiple words and play different roles simultaneously. To this end, this paper formulates the ASTE task as a multi-class span classification problem. Specifically, STAGE generates more accurate aspect sentiment triplet extractions via exploring span-level information and constraints, which consists of two components, namely, span tagging scheme and greedy inference strategy. The former tag all possible candidate spans based on a newly-defined tagging set. The latter retrieves the aspect/opinion term with the maximum length from the candidate sentiment snippet to output sentiment triplets. Furthermore, we propose a simple but effective model based on the STAGE, which outperforms the state-of-the-arts by a large margin on four widely-used datasets. Moreover, our STAGE can be easily generalized to other pair/triplet extraction tasks, which also demonstrates the superiority of the proposed scheme STAGE.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI