论文浅尝 | 利用知识图谱增强的Transformer进行跨领域方面抽取

笔记整理：沈小力，东南大学硕士，研究方向为知识图谱

链接：https://dl.acm.org/doi/pdf/10.1145/3511808.3557275

动机

情感分析是自然语言处理的基础任务，它包含介绍了细粒度情感分析中的一个常见任务——基于方面的情感分析（ABSA，Aspect-Based Sentiment Analysis）。在ABSA任务中，输入模型的是一个标记序列，每个标记代表一个词或短语，任务是在这些标记中准确地识别出表示方面和情感的词或短语。标记有五种类型：表示方面的开始和内部标记（B-A和I-A）、表示情感的开始和内部标记（B-O和I-O）以及不属于方面或情感的标记（N）。当前已有的ABSA研究主要关注单领域情况下的方面提取，即训练和测试数据来自同一分布。然而，当训练（源）领域与测试（目标）领域不同时，传统方法的性能通常较差，因为不同领域之间使用的方面差异很大，重叠部分较少。针对这些挑战，该论文提出了一种新方法，使用领域特定的知识图谱增强预训练的Transformer模型，以提高跨领域方面抽取的性能。为了构建领域特定的知识图谱，该方法使用了一个大规模的通识知识图谱（