低资源方面级情感分析研究综述

---

前言

今天看到武汉大学一篇关于情感分析的综述，觉得很好，在这里浅浅的记录一下。

---

1. 引言

情感分析很重要，有很大的研究价值。情感分析中方面级情感分析更重要。开展面向低资源场景的方面级情感分析研究，提
高模型在资源受限条件下的性能表现，促进相关方法在更多语言、领域和任务中的推广，具有重要的理论价值和实际意义。

2. 问题定义、数据集和评价指标

2.1 问题定义

1. 方面词(Aspect Term)：一般来说，用户在文本中表达情感时，会指明具体对象。这些对象可以是单个词，也可以是由多个词组成的连续片段。在上述例子中，餐馆(a1)和寿司(a2)就是两个方面词。
2. 观点词(Opinion Term)：用户会在文本中以主观描述的形式表达对目标对象的看法。在上述例子中，拥挤(o1)和美味(o2)就是两个观点词。
3. 方面类别(Aspect Category)：用户对所评价对象进行的语义类别划分，通常归属于领域相关的预定义有限概念集合。例如，在上述例子中，方面词餐馆(a1)和方面类别环境(c1)相对应，而寿司(a2)则与食物(c2)相对应。
4. 情感极性(Sentiment Polarity)：用户对目标对象的情感信息可以被归类为预定义的且与领域无关的有限极性集合，包括积极、中立、消极和矛盾。在上面的例子中，方面词餐馆(a1)和寿司(a2)分别与观点词拥挤(o1)和美味(o2)相关联，呈现
   出消极(s1)和积极(s2)的情感极性。

2.2 任务定义

1. 方面词抽取(Aspect Term Extraction)：该任务以文本为输入，旨在提取涉及的方面词(如餐馆、寿司)。方面词抽取的目标显式出现在文本中，其属于抽取任务。方面级情感分析以方面词为基本对象，因此方面词抽取是核心上游任务。
2. 方面情感分类 (Aspect-LevelSentimentClassification)：该任务通过输入文本和某一给定方面词(如餐馆)，判断方面词所对应的情感极性(如消极)。方面情感分类的结果通常属于特定的预定义集合，包括积极、中立、消极和矛盾，其属于分类任务。因为方面词需要被提前给定，所以方面情感分类是方面词抽取的下游任务。
3. 方面-情感对抽取(Aspect-Sentiment Pair Extraction)：方面词抽取和方面情感分类的组合任务。该任务以文本为输入，目标是同时抽取方面词并判断每个方面词的情感极性(餐馆-消极和寿司-积极)，包含了抽取和分类两类任务形式。这是一个端到端的组合任务，一步式地归纳了文本对所有方面词的情感极性，是方面级情感分析的最简可行形式(Minimum Viable Format)。
4. 观点词抽取(Opinion Term Extraction) ：该任务以文本为输入，目标是抽取所提及的所有观点词（如拥挤、美味）。观点词抽取的结果是文本中所出现的词，其属于抽取任务。
5. 方面观点抽取 (Aspect-Oriented Opinion Extraction)：该任务以文本和某一给定方面词为输入，目标是提取方面词所对应的观点词（如拥挤）。观点词显式出现在输入文本中，对其的提取属于抽取任务。由于该任务需要给定方面词，因此属于方面词抽取的下游任务。
6. 类别识别(Aspect Category Detection)：该任务以文本为输入，目标是识别所有方面类别（如环境、食物）。方面类别的分类结果一般属于特定的预定义集合，其属于分类任务。
7. 类别情感分类(Aspect Category Sentiment Classification)：该任务以文本某一给定的方面类别为输入，目标是判断方面类别的情感极性。方面情感分类的结果通常也属于特定的预定义集合，即积极、中立、消极和矛盾，其属于分类任务。
   由于此处的方面类别需要事先给定，类别情感分类是类别识别的下游任务。
8. 方面-观点对抽取(Aspect-Opinion Pair Extraction)：该任务以文本为输入，目标是识别出输入文本中所有的方面-观点对（如餐馆-拥挤）。由于方面词与观点词都是输入文本中所出现的词，其属于抽取任务。方面-观点对抽取，一次性抽取出了所有的方面词以及对应的观点词，为后续研究中更细致的任务（如三元组抽取、四元组抽取）奠定了基础。
9. 类别-情感对抽取(Category-Sentiment Pair Extraction)：该任务以文本为输入，目标是识别出输入文本中所有的方面类别以及对应的情感极性（如环境-消极）。由于方面类别与情感极性都归属于预定义的集合，该任务本质上仍可划分为分类
   任务，但需要额外对分类结果进行配对抽取。
10. 方面 - 观点 - 情感三元组 取 (AspectOpinion-Sentiment Triplet Extraction)：该任务以文本为输入，目标是识别出所有的（方面词，观点词，情感极性）三元组（如餐馆-拥挤-消极）。该任务不仅要求抽取出方面-观点对，还要求判断其
    情感极性，包含了抽取和分类两种任务形式。
11. 方面 - 类别 - 情感三元组抽取 (AspectCategory-Sentiment Triplet Extraction)：该任务以文本为输入，目标是识别出所有的（方面词-方面类别-情感极性）三元组（如餐馆-环境-消极）。该任务同样包含了抽取与分类两种任务形式。
12. 方面-观点-类别-情感四元组抽取(Aspect Sentiment Quad Extraction)：该任务以文本为输入，目标是输出方面级情感分析中所有的情感元素（如餐馆-拥挤-环境-消极）。该任务是目前方面级情感分析中最为完备的任务，需要关注所有元素，包含了抽取与分类两种任务形式。

2.3 常用数据集

A：方面词、O：观点词、C：方面类别、S：情感极性

1. Digital Device[2]：数码设备领域数据集。该数据集收集自 Amazon 网站，包括对于两种数码一种手机等五种电子产品的评论文本。该数据集对评论文本中出现的方面词及其极性进行了标注。一种手机等五种电子产品的评论文本。该数据集对评论文本中出现的方面词及其极性进行了标注。
2. Targeted Sentiment System[26] ：收集自Twitter，其中包括大约 3288 条英语推文及 6658 条西班牙语推文。该数据集以推文中的人物、组织、地点、时间等 10 种类型的实体为目标，对实体本身、实体类别及其情感极性进行了标注。
3. Twitter 2014[27]：收集自 Twitter社交网站，其中包含了用户对于名人、产品、公司等的评论。该数据集对评论文本中的方面词以及其情感极性进行了标注。
4. BabyCare[28]：为 婴儿护理领域中文数 据集。该数据集收集自 babytree 网站，其中包括关于尿布、奶粉等话题的经验分享帖子。在该数据集中，实体包括品类名（尿布、奶粉等）、品牌名、以及产品名，方面包括防漏能力、价格等。BabyCare 数据集对用户关于实体各个方面的情感极性进行了标注。
5. ASC-QA[29]：是基于问答的方面级情感分析数据集。该数据集从淘宝平台的“问大家”功能中收集得到，所涉及的领域为电子设备等。该数据集对问题-回答对中的方面词、方面类别以及细粒度情感极性进行了标注。
6. MultiModal-ABSA[30]：收集自 Twitter 社交网站的多模态数据组成。在该数据集中，每条数据由推文和其对应的图像所构成。MultiModalABSA 对推文中的方面词以及方面词对应的情感极性进行了标注。
7. ARTS[31]：以 SemEval2014 为基础，利用SemEval2014 的测试集，对目标方面词所在句子进行了目标方面词情感极性反转、非目标方面词情感极性反转、添加更多不同极性的方面词等扰动操作，并将所得到的新样本用于测试方面级情感分析模型的鲁棒性。
8. Automobiles[32]：为汽车领域数据集。该数据集收集自美国和韩国的汽车社区网站，以 12 家最大的汽车厂商所出品的畅销车型作为方面词，对相应的情感极性进行了标注。Automobiles 中包括英语和韩语 2 个数据集，相比于其它方面级情感分析数据集，它们的规模较大，训练集的样本都超过了 20000 条。
9. SemEval 2014[6]： 包 括 餐 馆 领 域 的Restaurant 数据集、电脑领域的 Laptop 数据集。Restaurant 数据集对评论中的方面词、方面情感极性以及方面类别进行了标注。Laptop 数据集与Restaurant 数据集类似，但不含方面类别的标注。
10. SemEval 2015[7]：SemEval2014 的延续。相比 SemEval 2014，SemEval 2015 中的每条数据均为完整的评论，可能由多个句子组成，有着更加完整的上下文。同时，SemEval 提供了一个新的领域，即 Hotel 数据集作为测试集，因此可被用于进行跨领域的 ABSA 研究。SemEval 2015 对方面词、方面类别、情感极性进行了标注。
11. SemEval 2016[8] ：是 SemEval 2015 的 延续。该数据集中提供了 39 个子数据集，其中 19 个用于训练，20 个用于测试。涉及电子、旅馆、餐馆等 7 种领域，以及英语、阿拉伯语、汉语等 8 种语言，可用于跨领域、跨语言研究。标注内容同SemEval 2015。
12. TdParse[33]：收集自 Twitter 社交网站，由关于英国大选的推文组成。该数据集中平均每条推文包括 3.09 个标注实体，且有 49.7%的推文中含2-3 种不同的情感极性。TdParse 对句子中的实体（方面词）及其情感极性进行了标注。
13. MAMS[34] ：”为餐馆领 域 数 据 集 ， 分为MAMS-ATSA 以及 MAMS-ACSA 两个版本，分别用于方面情感分类和类别情感分类任务。该数据集具有鲜明特点，其中每条评论文本中至少包含两个具有不同情感极性的方面词或方面类别，因此可认为是一个具有挑战性的困难样本集合。
14. SemEval 2017[35]：收集自 Twitter 社交网站，包括英语和阿拉伯语两种语言的数据样本。该数据集对推文中的人物、事件、产品等进行了情感极性标注。
15. ASAP[36]：为餐馆领域的中文数据集。该数据集针对餐馆评论标注了用户的整体评分（0-5），同时包含对于餐馆的地理位置、服务、价格等 18个预定义方面类别的打分。ASAP 数据集的规模较大，训练集数据达到了 36850 条。
16. TOWE[12]： 以 SemEval 2014 、 SemEval2015、SemEval 2016 为基础，标注了这些数据集中的方面词、观点词以及它们的配对关系。
17. ASTE-Data-V1[22] ：数 据 集 以 SemEval2014、SemEval 2015、SemEval 2016 数据集为基础，标注了方面词、观点词、情感极性三元组。Xu 等学者[37]发现，ASTE-Data-V1 中对同一观点词对应多个方面词的情况标注不完全，因此补充了相应三元组的标注，形成了 ASTE-Data-V2 版本。
18. MPQA[38]：为新闻领域数据集，数据来自各种新闻文章。MPQA 数据集对于新闻中的文本片段进行了标注，并提供了新闻对于该文本片段的情感极性、情感强度，以及情感相关的对象（如作者、新闻中所提到的人名等）。
19. JDPA[39]：由汽车领域的博客组成。该数据集以汽车领域的具体对象（如车座、车门等）和抽象对象（如操作、动力等）为实体，标注了这些实体对应的情感表达和情感极性。本数据集还对观点持有者，以及实体不同提及之间的共指关系进行了标注。
20. Online Service[40] ：为 在 线评 论领 域数 据集。该数据集由收集自 RateItAll 和 eOpinion 网站的评论文本所组成，其中包括对于 PayPal 、eGroups、eTrade、eCircles 等在线服务的评价。Online Service 数据集对于评论中出现的方面词、观点词、情感持有者、情感极性以及情感强度等进行了详细标注。
21. CASA[41]：是一个中文数据集，针对对话场景下的方面级情感分析任务。该数据集包括来自日常闲聊数 据 集 DuConv 和 新闻讨论 数据集NewsDialogue 中的数据，涵盖的话题包括电影、电视剧、名人、新闻等。其中，NewsDialogue 的数据仅用于测试模型在跨领域情景下的鲁棒性。该数据集对方面词、观点词以及情感极性进行了标注，相比一般的数据集，本数据集中的方面词和观点词可能不在同一句话中，而是分散在对话的各个部分。
22. ACOS[24]：包含餐馆和电脑两个领域的数据集。餐馆领域数据集以 SemEval 2016 为基础进行了拓展，电脑领域数据集由作者自行从 Amazon 网站收集所得到。ACOS 数据集对于评论中的方面词、方面类别、观点词、情感极性四元组进行了标注，其中，方面词和观点词可能缺省。
23. ABSA-QUAD[25]：也是四元组数据集，标注内容同 ACOS。该数据集以 SemEval 2015、SemEval 2016 为基础进行了四元组的标注。

3. 方面级情感分析的方法

3.1 方面词抽取

3.1.1 基于无监督学习的方法

3.1.1.1 基于规则的方面词抽取

传统的方面词和观点词的抽取工作通常依赖于无监督的手工规则和统计信息。基于规则的方法其主要思路是设计方面词和观点词之间的依赖关系规则，并将这些规则与文本进行匹配以完成抽取。

3.1.1.2 基于统计的方面词抽取

基于统计信息的方法为了从文本中挖掘潜在的方面类别，并进一步挖掘与每个类别高度相关的潜在方面词，通常会设计和改进各类主题模型。现有工作主要沿着两种研究思路改进主题模型，以便使其更好地应用于方面词抽取任务。

第一种思路是将与方面词相关的先验知识补充到主题模型中，第二种思路旨在提升主题模型的学习能力。

3.1.2 基于有监督浅层模型的方法

早期针对方面词抽取的有监督方法通常使用手工构建的特征表示单词，再以此为基础训练浅层的有监督学习模型。

早期研究广泛采用基于特征工程的方法，利用词性信息、单词长度、单词位置等多种特征对单词进行表示，再结合机器学习模型进行方面词抽取。由于通常需要专家知识进行特征的选取和构建，该类方法引入了额外的人力资源代价。

3.1.3 基于有监督深层模型的方法

随着深度学习的发展，将词向量和神经网络相结合，实现一种深层有监督学习模型用于序列标注，逐渐成为方面词抽取的主流方法。深度学习采用端到端的学习方式，可以自动地学习和构建单词特征，大幅降低了模型设计和应用的开销。
具体而言，用于方面词抽取的神经网络模型可分为四种：循环神经网络、递归神经网络、卷积神经网络和 Transformer 结构。

• 循环神经网络：可以建模单词上下文依赖。
• 递归神经网络：具有建模层次信息的能力，与依存句法分析的结果相结合可以实现依赖路径上的特征传播。
• 卷积神经网络：更适合提取局部特征
• Transformer：采用预训练-微调模式，将领域知识蕴含于 BERT 中，采用基于 BERT 输出的高层语义特征进行序列标注，在方面词抽取任务上达到了目前最优的效果。

3.2 方面情感分类

方面情感分类的目的是识别与方面词相关的上下文，以判断其情感极性。主要包括基于注意力机制的方法、基于依存句法分析的方法和基于预训练模型的方法，小众方法包括基于分段建模、概率图模型、胶囊网络]和逻辑规则。

3.2.1 基于注意力机制的方法

注意力机制是目前最为普遍的提取关键上下文的方法，已被广泛用于方面情感分类。其核心原理是为上下文中的每个单词赋予不同的权重，从而增强相关词的影响，并减弱无关词的干扰，注意力权重是数据驱动的，由神经网络自主计算确定。只要有各种注意力与门控机制，

3.2.2 基于依存句法分析的方法

在神经网络模型中融合先验的文本语法结构，可为方面情感分类任务提供方面词与上下文之间的关联信息，有助于提升性能。在实现上，先行使用依存句法分析工具（如 Stanford CoreNLP 和 Spacy 工具包）获取依存句法信息，再将其注入
模型的计算过程，可以帮助模型更加高效准确地判别与方面词相关的关键上下文。

3.2.3 基于预训练语言模型的方法

伴随着预训练-微调模式的流行，利用大规模预训练语言模型中隐含的语义知识进行方面情感分类已经成为主流。在预训练语言模型中，注意力机制被广泛应用。然而，预训练过程中所学习的外部知识是实现优良性能的基础和前提。

3.3 方面-情感对抽取

方面-情感对抽取任务旨在同时抽取出评论文本中所有的方面词及其相对应的情感极性，是方面词抽取任务与方面情感分类任务的组合。

3.3.0 流水线模型

含义：先进行方面词抽取，再对所预测的方面词抽取进行方面情感分类。

存在问题：一是无法建模方面词抽取与方面情感分类这两个任务之间的交互关系，而该关系可以有效提升方面-情感对抽取的整体性能；二是存在级联错误传播问题，即方面词抽取任务的误差会直接导致下游的方面情感分类任务的性能下降。

3.3.1 基于统一标签的方法

采用 BIO 标注的方法同时标注方面词和情感种类。方面情感分类的标签大多只分为四类，分别为积极、中立、消极和矛盾。

存在问题：方法会导致两个子任务共享大部分可学习特征，缺乏对于私有特征的建模，这可能会造成潜在的干扰，并阻碍模型建模子任务之间的交互关系

3.3.2 基于联合学习的方法

原理：在一个模型内部分别建模方面词抽取和方面情感分类任务，再将两个任务的结果融合后作为输出，从而实现方面-情感对抽取的目标。

3.3.3 基于文本生成的方法

伴随生成式预训练模型的不断进步，将抽取任务转化为文本生成已成为一种切实可行的方式，其可以充分利用预训练模型的知识。研究人员也开始将方面-情感对抽取任务看作文本生成任务来解决。

3.4 观点词抽取

观点词抽取任务的目标是抽取出输入文本中所有的观点词，是一种较为简单的扩展任务。在方面级情感分析中，观点词一般依存于方面词，是用户对于方面词的主观描述。大多数的研究不局限于完成单一的观点词抽取任务，而是将对方面词和观点词两者的抽取合并处理。注意，这类研究与方面-观点对抽取任务不同，不需要抽取出方面词与观点词之间的配对关系。
观点词抽取任务大多采用序列标注模型，即采用一套标签集合来标注文本中的每一个单词。序列标注模型中最常使用的是 BIO 标注方案，其中 B 表示目标的第一个单词，I 表示目标中除第一个单词以外的其他单词，O 表示非目标单词。

3.5 方面观点抽取

3.6 类别识别

3.7 类别情感分类

3.8 方面-观点对抽取

3.9 类别-情感对抽取

3.10 方面-观点-情感三元组抽取

3.11 方面-类别-情感三元组抽取

3.12 方面-观点-类别-情感四元组抽取

之后再看吧，现在该整理论文了。

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'ttps://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

1. 全新的界面设计 ，将会带来全新的写作体验；
2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
4. 全新的 KaTeX数学公式 语法；
5. 增加了支持甘特图的mermaid语法¹ 功能；
6. 增加了 多屏幕编辑 Markdown文章功能；
7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片:

带尺寸的图片:

居中的图片:

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

• 项目
  • 项目
    • 项目

1. 项目1
2. 项目2
3. 项目3

• 计划任务
• 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	'Isn't this fun?'	‘Isn’t this fun?’
Quotes	"Isn't this fun?"	“Isn’t this fun?”
Dashes	-- is en-dash, --- is em-dash	– is en-dash, — is em-dash

创建一个自定义列表

Markdown

Text-to- HTML conversion tool

Authors

John

Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma (n)=(n-1)!\forall n\in \mathbb{N}$ 是通过欧拉积分

$$\Gamma (z)={\int }_0^{\infty }{t}^{z-1}{e}^{-t}dt.$$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

• 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

• 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

• 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

---

1. mermaid语法说明 ↩︎

2. 注脚的解释 ↩︎