ACL 2024：交叉领域情感分析——论文阅读笔记

前言

        阅读了一篇ABSA的论文，在这里写下自己的一些理解小笔记，可能有点小乱，原文在这下面：

        论文链接：Refining and Synthesis: A Simple yet Effective Data Augmentation Framework for Cross-Domain Aspect-based Sentiment Analysis - ACL Anthology

         中文文章链接：论文速递丨ACL 2024：交叉领域情感分析 (qq.com)

---

1、引言         

        大多数ABSA模型依赖于同一领域的标注数据，导致在标注数据不足的情况下，模型性能受限。为解决这一问题，部分研究尝试通过领域迁移模型将源领域的知识转移到目标领域，但仍存在标签质量低和生成数据单调等问题。

•  图(a) 展示了在AESC任务中，源领域（笔记本）和目标领域（餐馆）之间的迁移过程中的错误传播问题。由于源领域中的词汇"pad"在目标领域中具有不同的含义，模型错误地将目标领域中的"pad"标记为负面情感，导致生成的句子出现错误。这表明现有方法在迁移过程中可能会传播不准确的标签。
• 图(b) 展示了在ATSE任务中，目标领域（餐馆）的文本虽然生成了正确的伪标签，但生成的句子模式单调，缺乏多样性。两个生成的句子"The pizza is good"虽然正确，但重复且表达形式不够丰富，说明传统数据增强方法在生成多样化数据方面存在局限。

        为此，本文提出了"Refining and Synthesis Data Augmentation (RSDA)"框架，通过自然语言推理（NLI）过滤数据并增强多样性，从而提高ABSA模型的鲁棒性和泛化能力。测试表明该框架在跨领域实验中表现出色。

        简而言之，本文旨在通过RSDA框架进行数据知识迁