NAACL2021 | 苏大&阿里提出：一种统一的基于跨度的意见挖掘方法

每天给你送来NLP技术干货！

---

论文: A Unified Span-Based Approach for Opinion Mining with Syntactic Constituents

录取：NAACL2021

链接：https://aclanthology.org/2021.naacl-main.144.pdf

提取摘要

细粒度意见挖掘Fine-grained opinion mining (OM)任务简而言之就是为了解决：

谁对谁表达了什么观点
Who expressed what opinions towards what

因为该任务是基于短语片段的，所以本文提出一种基于Span（跨度）的统一模型，其实就是一种end-to-end模型。又因为作者考虑到短语片段大概率都会是一种成分句法结构，所以作者通多任务和GCN方法融入和成分句法知识。

最终在MPQA 2.0数据上得到了exact F1指标（预测的完整性）达到了最佳的性能，并对成分句法信息做了充分的分析。

具体介绍

模型

任务定义

对label的表示、三要素（opinion、holder和target）的定义。

总体模型

输入层

word embedding、char embedding、sentence embedding的整合：

编码层

Span的定义

Span分数的计算

这里的Span其实是类似枚举每一种短语片段，但是有一些Span的长度几乎可以提早pass，所以这里损失用的为focal loss：

上面是Span的定义和分数计算，那么Span获取之后，接下来就是计算Span直接组合关系的分数了：

最后损失的计算如下

其实上面的基于Span的模型类似的构建方法在SRL任务上使用过，感兴趣的可以看华盛顿大学何律恒大佬的这篇发表在ACL2018上的文章：

Jointly Predicting Predicates and Arguments in Neural Semantic Role Labeling

实验

因为MPQA 2.0的数据量比较小，所以这种情况一般都需要引入知识驱动，所以作者根据对于片段信息的分析，得出使用成分句法结构作为额外信息的想法：

多任务MTL方法

GCN方法

但是传统的GCN方法不适用于成分句法，具体如何改进感兴趣可以看下论文哈。

实验

在end-to-end上于前人的对比

在具体expression片段预测的对比

在给定expression下的实验对比

使用成分句法信息的实验对比

上面几个实验可以看出，本文提出的方法在预测片段的完整性（exact F1）上能得到出色的结果，所以下面对此做了一个更深入的柱状图，从而更好的分析

分别在基于传统BIOSE与Span-based方法  和  是否使用成分句法树的case分析：

最后，也分析了何种组合方式使用成分句法信息最好：

最后也展示了使用成分句法结构信息在opinion长度和关系之间的距离上的影响：

---

投稿或交流学习，备注：昵称-学校（公司）-方向，进入DL&NLP交流群。

方向有很多：机器学习、深度学习，python，情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。

记得备注呦

整理不易，还望给个在看！