ACL 2023 | 对话场景中的方面级情感分析任务、数据与方法

论文作者：

李波波¹，费豪²，李霏¹，吴雨晗¹，张津菘¹，吴胜琼²，李京烨¹，柳宜江¹，廖黎姿³，Tat-Seng Chua²，姬东鸿¹

作者单位：

收录会议：

ACL 2023, Findings

项目主页：

代码和数据：

https://github.com/unikcc/DiaASQ

论文链接：

一句话概括本工作：本研究首次提出了对话场景下的方面级情感四元组分析任务，并标注了包含中英文双语的大规模数据集，并提供了一个基于词对关系建模的基线模型，从而填补了对话场景下观点挖掘和细粒度情感分析的空白，也为情感分析领域的研究提出了新的挑战。

1.1 方面级情感分析任务（ABSA）背景

情感分析可以赋予机器理解人类情感的能力，是自然语言处理中一个重要的研究任务。近年来，针对特定方面进行细粒度情感分析的任务，也就是所谓的方面级情感分析（Aspect-based Sentiment Analysis，ABSA），越来越受到研究者关注。

最初的 ABSA 研究主要围绕着方面词（Aspect term）和情感极性（Polarity）的抽取展开；随后的研究则开始关注观点词（Opinion），诞生了如方面-观点二元组抽取、方面-观点-极性三元组抽取等任务；在最新的 ASBA 研究中，研究者们在三元组中添加了方面的类别（Category），从而形成了四元组抽取任务。这种四元组抽取任务抽取的元素最为全面，有助于更深度的理解方面级情感。

1.2 当前ABSA任务的不足

然而，我们注意到，现有的 ABSA 研究主要针对单一的文本片段进行。例如，大多数 ABSA 任务的数据基于 SemEval 语料库进行标注，而该语料的内容主要是孤立的句子，这无疑限制了 ABSA的应用范围。在现实世界中，对话场景下的 ABSA 有着巨大的应用潜力。如在社交媒体上，人们讨论产品、服务或政治等话题时，如果能有效运用 ABSA 技术，我们将能够深入理解和分析人们的情感和观点。然而，遗憾的是，对话场景下的 ABSA 分析还未得到足够的重视。

1.3 对话场景下的ABSA任务

▲ 图1 对话场景中的方面级情感四元组示例

为了解决这个问题，受到先前的 ABSA 四元组研究的启发，我们在本文中提出了一种全新的任务——对话场景下的情感四元组分析，简称为 DiaASQ。在这项任务中，我们以多人对话为分析对象，目标是识别和解析出对话中蕴含的情感四元组，即分析对于特定目标的特定方面所提出的观点，及其相应的情感极性。

例如，如图 1 所示，我们的目标是从对话中抽取出类似于（'Xiaomi 11', 'WiFi module', 'bad design', 'negative'），（'Xiaomi 11', 'battery life', ‘not well', 'negative'）和（'Xiaomi 6', 'screen quality', 'very nice', 'positive'）这样的四元组。

具体来说，我们的任务定义如下：

▲ 图2 原始数据获取和清洗流程

▲ 表1 标注数据统计结果

数据统计显示，每个数据包含 7452 句子的 1000 条对话的 DiaASQ 数据。平均每组对话涉及 5 个说话者，约 22% 的对话四元组存在跨句子的情形。例如：图1中（‘Xiaomi 6’, ‘screen quality’,’very nice’, positive）就属于跨句子的四元组。这种跨句子的情形抽取难度较大。

▲ 图3 模型框架

与传统的 ABSA 任务相比，DiaASQ 面临两大挑战。首先，DiaASQ 涉及到三个元素的抽取和一个元素的分类。如果我们尝试枚举所有可能的组合来进行四元组的抽取，那么任务的复杂度可能会迅速增加。其次，一个四元组的元素可能分布在不同的对话句子中。因此，我们需要在充分理解话语结构的基础上进行抽取，这使得对话内的四元组抽取比句子内的抽取难度更大。

为了应对这些挑战，我们提出了一个端到端的框架来进行 DiaASQ 的抽取。如图 3 所示，我们的抽取过程主要包含四个步骤：

• 首先，在编码过程中，使用预训练语言模型编码原始对话文本。
• 然后，在话语对之间加入多视图交互机制，提升来自同一说话者、来自同一线程和具有回复关系的话语对之间的交互作用，从而强化对话结构信息的利用。
• 同时，引入了旋转位置编码（RoPE）来强化 token pair 之间的相对位置信息。

• 最后，设计了新的网格编码机制，将原始的四元组映射为三个不同的 token pair 关系矩阵，通过拟合和预测关系矩阵的标签来编码和解码 DiaASQ 四元组。

实验结果

为了验证模型的效果，我们对中英文两个数据集进行了实验。由于没有可以直接应用于 DiaASQ 任务的基线模型，我们选择了一些专门针对句子级 ABSA 任务的模型，对它们进行了改造以适应我们新任务（详情见表 2）。除了关注四元组的抽取效果，我们还对 Span 抽取和 Pair 抽取的效果进行了评估。

▲ 表2 实验结果

观察表 2 所示的实验结果，我们有如下几个发现：

• 在 span 抽取方面，基线模型和我们模型的效果差别不大，这是因为识别基本的目标、方面和观点识别是一个比较成熟的任务。
• 在 Pair 抽取方面，我们的模型在两个数据集的大多数指标都比 baseline 提升 5 个百分点以上，说明我们的模型在对话中的情感信息挖掘方面比 baseline 更具优势。

• 在四元组抽取方面，我们的模型展示了绝对的领先优势，在两个数据集的两个指标上分别至少提高 6 个百分点，证明了我们设计的模型在 DiaASQ 任务上的良好效果。

▲ 表3 消融实验

▲ 图4 消融实验

进一步的消融实验表明，我们引入的多视图交互和 RoPE 相对位置编码机制在跨句子四元组的抽取过程中起到了很大的帮助。其中，RoPE 在处理跨度为 1 的四元组的抽取方面表现出了明显的优势，而多视图交互在四元组跨度更大的情况下仍然表现出了出色的效果。

结论

在本篇文章中，我们介绍了一个新的任务，即对话场景下的方面级情感四元组抽取任务（DiaASQ）。该任务的目标是从对话文本中抽取出（目标、方面、观点、情感极性）这四个关键元素，从而填补了对话场景下的观点挖掘和细粒度情感分析的研究空白。我们为该任务标注了一个包含 1000 组对话的大规模、高质量的双语数据集。为了解决 DiaASQ 任务中的挑战，我们设计并实现了一个端到端的抽取模型。

实验结果证明，我们的模型不仅在四元组抽取方面表现出色，而且在理解对话特征和分析跨句子四元组方面也有一定优势。尽管如此，我们的模型在四元组抽取上的绝对分数依然偏低，说明了该任务仍然具有很大挑战性。

未来展望

最后，我们认为未来的工作可以考虑从以下几个方面进行深入研究，以提升 DiaASQ 任务中模型的性能：

• 进一步探索如何利用句法、语义信息，以及树状、图状的话语结构信息等，来丰富我们的模型和改善其表现。

• 引入代消解机制：通过引入指代消解机制，我们可以有效解决跨句子四元组的抽取问题，从而进一步提升模型的表现。

• 引入外部情感知识：基于以往针对 ABSA 任务的经验，我们认为引入外部情感知识库可以有效提升模型在 DiaASQ 任务上的效果。

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧