FOAL: Fine-grained Contrastive Learning for Cross-domain Aspect Sentiment Triplet Extraction

要約

アスペクトセンチメントトリプレット抽出 (ASTE) は、特定のドメインの十分な注釈データに依存しながら、有望な結果を達成しました。
ただし、個々のドメインごとにデータに注釈を付けることは現実的ではありません。
私たちは、リソースが豊富なソース ドメインからリソースが少ないターゲット ドメインに知識を転送するクロスドメイン設定で ASTE を検討することを提案します。これにより、ターゲット ドメインのラベル付きデータへの依存が軽減されます。
ドメイン間で知識を効果的に転送し、センチメントのトリプレットを正確に抽出するために、ドメインの不一致を減らし、各カテゴリの識別可能性を維持する、Fine-graned cOntrAstive Learning (FOAL) という手法を提案します。
6 つの転送ペアでの実験では、FOA​​L が 6% のパフォーマンス向上を達成し、強力なベースラインと比較してドメインの不一致が大幅に減少することが示されています。
私たちのコードは、承認されると公開されます。

要約(オリジナル)

Aspect Sentiment Triplet Extraction (ASTE) has achieved promising results while relying on sufficient annotation data in a specific domain. However, it is infeasible to annotate data for each individual domain. We propose to explore ASTE in the cross-domain setting, which transfers knowledge from a resource-rich source domain to a resource-poor target domain, thereby alleviating the reliance on labeled data in the target domain. To effectively transfer the knowledge across domains and extract the sentiment triplets accurately, we propose a method named Fine-grained cOntrAstive Learning (FOAL) to reduce the domain discrepancy and preserve the discriminability of each category. Experiments on six transfer pairs show that FOAL achieves 6% performance gains and reduces the domain discrepancy significantly compared with strong baselines. Our code will be publicly available once accepted.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google