Dual Encoder: Exploiting the Potential of Syntactic and Semantic for Aspect Sentiment Triplet Extraction

要約

アスペクト感情トリプル抽出 (ASTE) は、きめ細かい感情分析における新たなタスクです。
最近の研究では、グラフ ニューラル ネットワーク (GNN) を使用して、トリプレット要素に固有の構文と意味の関係をモデル化しています。
ただし、ASTE タスク内の構文情報と意味情報の膨大な可能性をまだ十分に活用できていません。
この研究では、単語間の構文的および意味的関係を最大化する \emph{デュアル エンコーダ: 構文的および意味論的可能性の活用} モデル (D2E2S) を提案します。
具体的には、私たちのモデルは、セマンティック情報をキャプチャするために BERT チャネルを備えたデュアル チャネル エンコーダと、包括的な構文情報をキャプチャするために拡張された LSTM チャネルを利用します。
続いて、依存関係構文と注意セマンティクスの間の複雑な相互作用を捕捉し、重要なノードを動的に選択するために、異種機能相互作用モジュールを導入します。
これらのモジュールの相乗効果を活用して、ASTE タスクにおける構文情報と意味情報の重要な可能性を活用します。
公開ベンチマークでテストしたところ、当社の D2E2S モデルは現在の最先端 (SOTA) モデルを上回り、その有効性が実証されました。

要約(オリジナル)

Aspect Sentiment Triple Extraction (ASTE) is an emerging task in fine-grained sentiment analysis. Recent studies have employed Graph Neural Networks (GNN) to model the syntax-semantic relationships inherent in triplet elements. However, they have yet to fully tap into the vast potential of syntactic and semantic information within the ASTE task. In this work, we propose a \emph{Dual Encoder: Exploiting the potential of Syntactic and Semantic} model (D2E2S), which maximizes the syntactic and semantic relationships among words. Specifically, our model utilizes a dual-channel encoder with a BERT channel to capture semantic information, and an enhanced LSTM channel for comprehensive syntactic information capture. Subsequently, we introduce the heterogeneous feature interaction module to capture intricate interactions between dependency syntax and attention semantics, and to dynamically select vital nodes. We leverage the synergy of these modules to harness the significant potential of syntactic and semantic information in ASTE tasks. Testing on public benchmarks, our D2E2S model surpasses the current state-of-the-art(SOTA), demonstrating its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google