计算机研究与发展

作者：周如,朱浩泽,郭文雅,于胜龙,张莹,

关键词：方面术语提取（AE）, 方面级情感分类（ALSC）, 统一框架, 共享特征表示, 序列标注,

通过方面术语提取和方面级情感分类任务提取句子中的方面-情感对，有助于Twitter，Facebook等社交媒体平台挖掘用户对不同方面的情感，对个性化推荐有重要的意义.在多模态领域，现有方法使用2个独立的模型分别完成2个子任务，方面术语提取提取句子中包含的商品、重要人物等实体或实体的方面，方面级情感分类根据给定的方面术语预测用户的情感倾向.上述方法存在2个问题：1）使用2个独立的模型丢失了2个任务之间在底层特征的延续性，无法建模句子潜在的语义关联；2）方面级情感分类1次预测1个方面的情感，与方面术语提取同时提取多个方面的吞吐量不匹配，且2个模型串行执行使得提取方面-情感对的效率低.为解决这2个问题，提出基于多模态方面术语提取和方面级情感分类的统一框架UMAS.首先，建立共享特征模块，实现任务间潜在语义关联建模，并且共享表示层使得2个子任务只需关心各自上层的网络，降低了模型的复杂性；其次，模型利用序列标注同时输出句子中包含的多个方面及其对应的情感类别，提高了方面-情感对的提取效率.此外，在这2个子任务中同时引入词性：利用其中蕴含的语法信息提升方面术语提取的性能；通过词性获取观点词信息，提升方面级情感分类的性能.实验结果表明，该统一框架在Twitter2015，Restaurant2014这2个基准数据集上相比于多个基线模型具有优越的性能.

来源：2023年第12期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2023年第12期