综述:穿越基于Aspect的 sentiment分析领域:深入探讨相关技术、发展趋势及未来发展方向

《Computer Science Review》:Traversing the landscape of aspect-based sentiment analysis: Delving deeper into techniques, trends, and future directions

【字体: 大 中 小 】 时间:2025年12月31日 来源:Computer Science Review 12.7

编辑推荐:

  贾亚南贾亚·特里帕西 | 阿坎克莎·沙拉夫 计算机科学与工程系,国家理工学院,赖布尔,492010,恰蒂斯加尔邦,印度 **摘要** 为了分析日益增长的在线评论量,高级情感分析算法是必不可少的。基于方面的情绪分析(ABSA)不仅能辨别整体情绪,还能阐明用户对特定元素

  贾亚南贾亚·特里帕西 | 阿坎克莎·沙拉夫
计算机科学与工程系,国家理工学院,赖布尔,492010,恰蒂斯加尔邦,印度

**摘要**
为了分析日益增长的在线评论量,高级情感分析算法是必不可少的。基于方面的情绪分析(ABSA)不仅能辨别整体情绪,还能阐明用户对特定元素的观点。近年来,ABSA在分析文本数据中表达的复杂思想和情感方面的能力引发了广泛关注。尽管研究人员对ABSA进行了大量研究,但仍有许多方面尚未探索。本研究涵盖了ABSA方法的不足和挑战,并对其发展、方法论和应用进行了全面考察。具体而言,本文探讨了ABSA的方法,包括基于知识的基本策略、机器学习和深度学习技术、混合方法以及先进的大语言模型。文章总结了近期技术进展、评估标准以及基准数据集的可用性。此外,还讨论了典型障碍和限制,并提供了从传统基于规则的情绪分析方法向高级情绪分析方法演变的见解。这项工作为研究人员提供了利用这一全面分析的基础,使他们能够识别关键特征,从而做出明智的判断,并指导这一快速发展的领域的未来研究。

**引言**
情绪分析(SA)是自然语言处理(NLP)的一个分支,旨在检测文本中的情感并自动识别所表达的情绪。其广泛的应用依赖于从在线用户生成的内容中寻找和理解观点[1]。例如,分析消费者态度和来自数字平台的反馈有助于改进服务并制定更有效的营销策略。手动处理大量文本内容以提取意见信息是不切实际的。开发一个自主计算模型来分析非结构化文本中的意见并不是研究情绪分析的新方法[2]。情绪分析已被用于确定一个人对事件是持中性、积极还是消极的看法。由于过去十年研究人员利用各种工具、策略和方法来识别、衡量和评估公众态度所做的努力,情绪分析已成为成长最快的研究课题之一[3]。情绪分析的应用几乎扩展到所有行业,包括社交活动、医疗保健、金融机构、消费品和服务以及政治议程[4]。

在此基础上,基于方面的情绪分析(ABSA)成为传统情绪分析的更聚焦的变体,试图确定文本中提到的特定方面或属性的情绪以及整体情绪[5]。ABSA将文本分解为方面-意见对,从而比文档级或句子级的情绪分析(后者为整个评论或陈述分配单一情绪标签)提供更准确的用户感知[6]。例如,在句子“食物很棒,但服务很慢”中,ABSA可以将正面情绪归因于食物方面,负面情绪归因于服务方面。由于其细节程度,ABSA在产品开发、电子商务和酒店业等领域特别有用,因为在这些领域中同一个实体的不同方面可能会产生不同的观点。由于这种细粒度特性带来的额外挑战,现在需要更复杂和专门的建模技术,包括方面检测、意见词提取、处理隐含方面以及解决复杂的上下文依赖关系[7]。

传统的情绪分析研究主要通过在文档级别进行预测来确定对完整句子的普遍情绪。然而,在实践中情况并不总是如此,因此在生成预测时总是假设提供的内容中对某个特定上下文表达了某种特定的情绪。因此,在过去十年中,对ABSA或更深入的方面级情绪识别的需求不断增加。
情绪分析的专门领域——基于方面的情绪分析(ABSA)的主要目标是找出文本中针对某一实体特定特征或元素的情绪。通过将意见与特定特征关联起来,ABSA提供了比传统情绪分析更详细和可解释的视角,后者仅评估句子或文档的整体情绪[8]。例如,在产品或服务评论中,用户可能对不同特征持有矛盾的看法,如赞扬价格同时批评质量。ABSA建模了意见与其所指方面的关系,从而能够以结构化的方式解释意见,并在社交媒体、公共政策、电子商务和医疗保健等领域提供有用信息。由于其处理上下文依赖关系、情绪模糊性和隐含表达的能力,ABSA是从非结构化文本数据中提取细致情绪信息的强大工具[9]。

近年来,深度学习和自然语言处理(NLP)的发展极大地扩展了ABSA模型的功能。早期的策略依赖于词典驱动或基于规则的方法,这些方法可解释性强但适应性差,难以应对语言变化。借助机器学习和深度神经架构,现在可以更好地进行情绪和方面关联检测,使模型能够捕捉越来越复杂的语言模式和语义关系。此外,通过整合外部知识库、句法结构和预训练的语言模型,ABSA的准确性和跨领域泛化能力也取得了显著提升[10]。尽管取得了这些进展,但领域转换、缺乏标注数据、隐含方面引用和情绪模糊性等问题仍使ABSA成为一项具有挑战性的任务。随着研究的不断进步,结合多语言分析、多模态上下文(文本和图像)以及低资源环境,ABSA在实际决策系统中的实用性和重要性正在得到扩展。

ABSA是许多学科中的重要工具,因为它有助于理解文本中表达的态度和观点的复杂性[11]。它的一个主要优势是能够提供关于产品、服务或体验的某一特定质量或方面的详细见解(而不仅仅是从更广泛的角度看待文本)[12]。这种详细的分析有助于企业识别新兴模式,以及客户旅程中的弱点和优势,从而帮助他们基于数据驱动的决策来提升客户满意度和忠诚度。在电子商务和产品评论领域,ABSA有助于收集描述功能、外观或易用性等特征的相关数据,并分析用户的意见。因此,企业可以更有效地解决客户问题,个性化他们的营销策略,并开发更好的产品。ABSA还具备市场分析、企业声誉管理和社交媒体监控等其他重要功能。在许多情况下,它帮助那些面临大量难以理解的信息流的企业确定客户是否喜欢新产品、消费者偏好如何变化以及哪些因素对此影响最大。ABSA任务中测量情绪的主题范围从整个文档到一个方面或特定上下文属性。为了为后续应用提供细致而有价值的情感信息,这种在方面级别生成全面情感评估的方法被称为基于方面的情绪分析(ABSA)。在电子商务领域,“事物”指的是特定产品,其特征包括尺寸和定价等属性。

**本文对快速发展的ABSA领域做出了几项重要贡献**:
• 本研究详细讨论了ABSA任务的各个方面,涵盖了现有工作中未涉及的概念和不同的方法,包括传统方法和高级方法。
• 它探讨了用于解决ABSA任务的多种策略,从基于知识的方法到复杂的深度学习算法。此外,还详细讨论了大型语言模型(LLMs)、各种数据增强技术和迁移学习等高级DL方法的优越性,为ABSA方法的发展提供了有益的见解。
• 该研究解决了与ABSA某些子问题相关的数据稀缺性和注释挑战,从而提供了构建情感分析数据集的挑战性见解。它还回顾了目前可供研究人员使用的工具和材料,提供了实用的建议。
• 本文强调了情绪分析在实践应用中的重要性,通过举例说明ABSA在各个领域的具体用途。这些信息可以帮助用户和企业做出更好的行业特定决策,例如在医疗保健或电子商务领域。
• 本文讨论了各种挑战和限制,如方面的粒度、数据稀疏性、领域适应性、处理混合语言以及处理复合词等问题,以便读者在开始ABSA任务之前有更清晰的了解。

尽管已有许多研究人员对ABSA进行了研究,但仍有许多领域有待探索。表1总结了现有调查文章的工作以及本研究的独特贡献,以清晰展示这项研究的独特价值。总之,本文为情绪分析研究人员和实践者提供了全面的参考,帮助他们识别各种可能推动ABSA进步的障碍和潜力。

ABSA包含多种子任务,这些任务将意见与文本数据的特定方面关联起来,以捕获细致的情感信息。输入表示和上下文理解、方面识别、意见与情绪关联、结构化的方面-情绪关系以及高级ABSA范式是这些子任务的五大分类。代表性的技术如基于变换器的上下文建模[17]、基于回归的情绪量化方法[19]、用于分组语义相似方面的聚类技术[20]、用于分析对立意见的对比学习框架[21],以及用于三元组[22]和四元组[6][23]情感结构的先进关系提取模型,分别代表了ABSA流程不同阶段的重点。此外,为了改进情绪解释,新的维度ABSA技术包括连续的情感分数(如价值-唤醒值)[24]。图1展示了ABSA任务的分类和层次结构,说明了这些子任务之间的相互关系。

**本研究的工作结构**
本研究分为不同的ABSA子部分。手稿的整体结构以图形形式显示在图2中。如图2所示,工作安排如下:第1节概述了ABSA及其现有工作的细节及其持续存在的差距;第2节介绍了通过方面词提取和方面类别识别来处理ABSA的基本部分;第3节进一步分析了用于解决ABSA问题的各种策略,从基于知识的方法到复杂的深度学习技术;第4节讨论了ABSA可使用的资源和数据集,以及创建和注释数据集的挑战;第5节讨论了适当的评估标准方法;第6节探讨了ABSA研究中的一些重要工作和技术,展示了情绪分析研究随时间的演变;第8节的真实世界应用和适用性示例展示了ABSA的实用领域;第9节讨论了ABSA研究人员面临的挑战和限制,包括领域适应性和数据不足;第10节通过讨论潜在的下一步和创新机会,展望了ABSA研究的未来方向;第11节详细记录了全部研究成果,并对最重要的发现和贡献进行了总结。

**背景研究**
ABSA的最新进展显示了多个方法论维度上的显著融合,共同带来了性能提升和行业内的最佳实践。新系统使用预训练的语言模型(PLMs),并通过目标感知注意力、位置/段落指示器、提示模板或指令式条件等手段明确了方面。这种处理方式可以防止情感在不同组件之间“泄漏”。Arsa方面词、方面类别和情感极性是Arsa主要研究关注的不同方面级情感特征。如图3所示,对于句子“The cost is reasonable, although the assistance is poor.”,相应的情感元素分别为“cost”(成本)、“assistance”(协助)、“reasonable”(合理的)、“poor”(差的)和“positive”(积极的)。在这里,“cost”、“reasonable”、“assistance”和“poor”是明确表达的。

Arsa的处理方法有多种,每种方法都有其自身的优势,有助于对文本的部分内容进行情感分析。基于规则的方法是最古老的方法之一。在这种方法中,每个方面都有一套基于规则和词典的可能态度。这种方法具有很强的可解释性,但跨领域泛化能力有限[70]。另一方面,监督机器学习方法(如随机森林或支持向量机)则能够构建模型。

Arsa模型严重依赖带有特定特征和情感极性标注的数据集来进行有效的训练和评估。这些资源需要手动策划和标注,往往难以获取,甚至可能是特定领域的。这突显了强大、跨领域和多语言数据对于提高Arsa模型适应性和泛化能力的重要性。为了帮助读者在研究中使用这些数据集和方法,请注意以下内容:

Arsa任务关注的是读者对文本中讨论的具体主题所表达的情感,而不是文本的整体情感,这与传统的Sentiment Analysis(SA)不同。因此,评估这些方法的性能非常重要,以确保Arsa系统能够理想地工作并被正确应用。Arsa的目标是为文本中描述的特定元素分配情感标签。为此,Arsa模型使用输入数据,这些数据可以是Rdx格式的特征向量x。

最近在Arsa方面的发展包括多语言Arsa分析、迁移学习和跨模态Arsa,这些都取得了重大进展。迁移学习成为了一种强大的技术,它能够利用一个领域的知识来提高另一个领域的模型泛化和适应性[16]。Arsa在多模态数据上的应用也支持将情感分析从文本扩展到图像、音频和视频等其他模态,从而实现语义上的理解。

Arsa可以在多个领域中得到应用,它使得深刻的分析和基于事实的决策变得更加便捷,因此具有实际意义。Arsa帮助企业分析客户需求,从而提升产品质量和营销效果[9]。Arsa衡量公众意见的能力有助于社交媒体平台实现有针对性的互动和声誉管理[13]。

在Arsa中,方面粒度(即可以在文本中找到和分类方面的深度)是一个重要问题且存在局限性。难点在于在不同粒度级别之间找到正确的平衡。细粒度技术需要复杂的语言分析和专门的知识来准确捕捉非常具体的因素,例如独特的产品属性[136]。所有这些额外的细节可能会使情感分析变得更加复杂和嘈杂,尤其是在主观性较强的领域。

细粒度情感分析(Fine-grained sentiment analysis)是Arsa发展的一个重要方向,它有潜力提供更深入的见解,以更好地理解文本中的复杂情感。虽然当前的Arsa模型通常将情感分为负面、正面或中性,但细粒度情感分析试图更准确地理解这些极性差异,例如用强度来表达情感。这推动了复杂情感粒度方法的发展(如更细粒度的Arsa、情感强度评级和情绪分析)。

基于方面的感情分析(Aspect-based sentiment analysis,Arsa)是自然语言处理领域中的一个竞争性强的方向,可以应用于社交媒体分析、产品评论或客户反馈分析等各种场景。Arsa是一种识别和量化文本中关于特定方面的情感表达的过程。尽管近年来Arsa取得了很大进展,但仍有一些挑战需要解决,包括构建和标注数据集的难度。

关于作者的贡献声明:
Gyananjaya Tripathy:概念化、方法论、研究、撰写——原始草案。
Aakanksha Sharaff:监督、验证、形式化分析、数据策划、审阅与编辑。

由于本研究不涉及人类受试者、动物实验或敏感数据,因此无需伦理批准。

作者未从任何组织获得任何资金或支持。

作者声明没有已知的竞争性财务利益或个人关系,这些关系可能影响本文所述的工作。

作者感谢Raipur国立技术研究所提供了进行研究工作所需的基础设施和设施。作者非常感谢所有审稿人的宝贵意见和建议,这些都有助于提升手稿的质量。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号