STAR: Stepwise Task Augmentation and Relation Learning for Aspect Sentiment Quad Prediction

要約

アスペクトベースのセンチメント分析（ABSA）は、アスペクト用語、アスペクトカテゴリ、意見用語、センチメントの極性を含む4つの感情要素を特定することを目指しています。
これらの要素は、感情の完全な絵を構築します。
最も挑戦的なタスクであるアスペクトセンチメントクアッド予測（ASQP）は、これらの要素を同時に予測し、異なる感情要素を正確に結合することの困難によって妨げられます。
重要な課題は、クワッド予測に関するセマンティック理解と推論におけるモデルの能力を制限する不十分な注釈付きデータです。
これに対処するために、人間の推論に触発された戦略である段階的なタスクの増強と関係学習（STAR）を提案します。
Starは補助データを構築して、トレーニングデータから派生したペアワイズおよび全体的な関係タスクで増強することにより、四重層関係を段階的に学習します。
モデルが追加の注釈を必要とせずに感情要素間の因果関係を推測するように奨励することにより、STARはクアッド予測を効果的に強化します。
広範な実験は、提案されたスターが4つのベンチマークデータセットで優れたパフォーマンスを示すことを示しています。

要約(オリジナル)

Aspect-based sentiment analysis (ABSA) aims to identify four sentiment elements, including aspect term, aspect category, opinion term, and sentiment polarity. These elements construct the complete picture of sentiments. The most challenging task, aspect sentiment quad prediction (ASQP), predicts these elements simultaneously, hindered by difficulties in accurately coupling different sentiment elements. A key challenge is insufficient annotated data that limits the capability of models in semantic understanding and reasoning about quad prediction. To address this, we propose stepwise task augmentation and relation learning (STAR), a strategy inspired by human reasoning. STAR constructs auxiliary data to learn quadruple relationships incrementally by augmenting with pairwise and overall relation tasks derived from training data. By encouraging the model to infer causal relationships among sentiment elements without requiring additional annotations, STAR effectively enhances quad prediction. Extensive experiments demonstrate the proposed STAR exhibits superior performance on four benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google