aspect-polarity co-extraction小记录

aspect-polarity co-extraction是将目标实体识别与情感极性分类两个任务结合，目前对这个任务的研究通常都是转换为序列标记问题，具体有三种不同的模型pipeline model, joint model, collapsed
model。pipeline的解决办法是先搭建一个模型提取实体，再用另一模型判断极性，两个任务模型相互独立， collapsed是将两种标注任务结合，一起判断，joint是设置两个相互间交互的模型来进行标注任务,分别输出各自标签体系。

E2E-TBSA:《A unified model for opinion target extraction and target sentiment prediction》

首先提出端到端的方式解决目标实体提取和极性分类两个子任务，同时采用统一标记方案即collapsed方法。框架如下

图中包含两个堆叠的递归神经网络，上层(蓝色虚线框)预测统一的标签，以产生基于主要目标的情感分析的最终输出结果；下层网络又有两层lstm堆叠而成，一层捕捉语句上下文信息，一层捕捉目标实体信息，框架设计得比较简单明了，但是比较粗糙，后有许多论文证明大多数情况下collapsed效果没有joint好

DOER：《DOER: dual cross-shared RNN for aspect term-polarity co-extraction》

joint方式，提出了一种新的双交叉共享RNN框架（DOER）来生成给定句子的所有方面术语极性对。DOER主要包括一个双递归神经网络（RNN）和一个交叉共享单元（CSU）。CSU是实现TE和ASC之间的交互。还提出了一种称为剩余选通单元（REU）的额外RNN单元，以提高纵横项极性共提取的性能。感觉模型设计的有点过于复杂了…

SPAN：《Open-domain targeted sen-timent analysis via span-based extraction and classi-fication.》

joint方式并且引入目标跨度保证实体极性一致性，详解https://blog.csdn.net/sydney__/article/details/119489041?spm=1001.2014.3001.5501

BERT-E2E-ABSA：《Exploiting BERT for end-to-end aspect-based sentiment analysis》

就是单纯地将Bert引进这个任务研究，从文中实验数据可以看到就简单的引入效果就有较明显的提升(bert大佬)

DREGCN：《A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis》

文中设计了一种依赖句法知识增强的交互式体系结构，该体系结构具有多任务学习功能，利用设计良好的依赖关系嵌入图卷积网络（DREGCN），充分利用句法知识。此外设计了一个简单而有效的消息传递机制，以确保模型在多任务学习框架中从多个相关任务中学习

TAS-BERT ：《Target-aspect-sentiment
joint detection for aspect-based sentiment analysis》

还是一个借助bert的模型，由五个组件组成，包括一个BERT编码器、全连接层、一个用于“是/否”二进制分类的softmax解码器，以及一个用于序列标记的条件随机场（CRF）解码器或softmax解码器