DASA:数据增强与句法分析在跨领域情感三元组提取中的应用

《Neurocomputing》:DASA: Data augmentation and syntactic analysis for cross-domain aspect sentiment triplet extraction

【字体: 大 中 小 】 时间:2026年03月29日 来源:Neurocomputing 6.5

编辑推荐:

  跨领域方面情感三元组抽取中,传统数据增强方法忽视语法结构一致性,且依赖模型显式构建方面-评论关联。本文提出DASA框架,首先基于成分句法分析构建语法树,结合目标域词性约束进行语义引导的跨域数据增强,确保生成样本的语法一致性。随后设计双图注意力机制,分别通过依存语法图和词性组合图建模方面-评论的语义关联,利用图注意力网络动态融合上下文特征。实验在六个跨领域数据集上验证,DASA的微平均F1值较基线提升2.48%-6.15%,显著优于现有数据增强和图神经网络方法。

  
孔向杰|陈建林|易秋华|张晨伟|徐梦飞|朱丽楠
浙江工业大学计算机科学与技术学院,中国浙江省杭州市310023

摘要

方面情感三元组提取(ASTE)在基于方面的情感分析中起着关键作用,因为它不仅能够识别文本中的方面词和情感,还能确定相应的情感词。在跨领域场景中,不同领域中方面词和情感词的表达存在显著差异,而目标领域的标注数据通常很少。尽管现有的跨领域方法已经探索了数据增强策略,但它们往往未能充分考虑跨领域表达转换时的句法一致性。同时,在三元组提取阶段,也难以有效建立方面词和情感词之间的匹配关系。为此,本文提出了DASA,这是一个用于跨领域ASTE的数据增强和句法分析的统一框架。具体来说,首先对源领域句子进行句法引导的数据增强,以生成具有目标领域风格和句法一致性的训练样本。然后,结合依存关系特征和词性组合特征,通过图注意力机制来建模方面词和情感词之间的关联。最后,在统一的提取框架下预测情感三元组。实验结果表明,所提出的方法在多个跨领域数据集上实现了稳定且显著的性能提升。

引言

方面情感三元组提取(ASTE)是基于方面的情感分析中的关键任务,旨在从文本中识别和提取方面词、情感词及其相关的情感[1]、[2]、[3]。深度学习方法在这项任务上取得了显著成功,主要依赖于需要手动标注训练数据中的方面、情感及其情感极性的监督学习技术[4]。
然而,训练高性能的ASTE模型通常需要大量的标注数据,而为每个新领域生成全面的标注数据既费时又费力,这构成了一个重大挑战。为了解决这个问题,研究人员提出了跨领域的基于方面的感情分析模型[5]、[6]、[7]、[8]。通过开发适用于多个领域的模型,可以减少对特定领域标注数据的依赖,从而降低数据标注的成本和时间投入。一个跨领域模型可以在一个领域的数据上进行训练,然后转移到另一个领域时也能取得良好的性能[6]。例如,在图1中,源领域是餐厅数据,目标领域是笔记本电脑数据;模型成功地从前者适应到了后者。
关于跨领域ASTE的具体任务,徐等人[9]提出了一种利用对抗学习来减轻领域差异的方法。这类研究符合更广泛的跨领域基于方面的情感分析领域,其中采用了多种领域适应策略来克服目标领域标注数据的稀缺性问题。这些方法通常分为两大类:基于特征的转移和基于数据的转移。
基于特征的转移方法主要关注从源领域和目标领域学习领域不变的特征,以减少领域间的差异。传统方法通过手动指定情感词典和句法规则模板来显式学习不同领域之间的共同特征[10]、[11]。然而,这些方法劳动强度大且资源消耗高,因为它们需要开发高质量的情感词典和句法规则,因此在实施上存在显著限制。为了解决这个问题,许多研究人员提出了设计隐式学习领域不变特征的损失函数的方法,例如引入对抗学习[12]和注意力机制[13]。尽管如此,这些方法主要使用源领域数据来训练主要分类器,目标领域的数据尚未得到有效利用。基于数据的转移方法专注于直接转换或生成源领域和目标领域之间的数据,可以进一步分为两种方法:实例加权和数据增强。实例加权方法通过重新加权源领域词汇来实现领域适应。通常,具有领域不变属性的源领域词汇会被赋予更高的权重,以实现词级适应[14]。不幸的是,这种方法通常需要复杂的优化过程来确定每个实例的最佳权重,从而增加了计算复杂性。最近,数据增强方法取得了显著的成功。其核心思想是在标注的源领域数据中屏蔽特定于源领域的词汇,并生成特定于目标领域的词汇和标签[5]。通过在目标领域生成合成数据,数据增强方法可以解决目标领域标注数据不足的问题,从而增强领域适应能力。
目前,数据增强方法在解决跨领域方面情感分析方面表现出了最佳性能。然而,跨领域ASTE仍然面临两个主要挑战。首先,现有的数据增强方法在生成训练样本时往往无法充分保留源领域和目标领域表达之间的句法一致性和上下文信息。其次,在三元组提取阶段,难以有效建模方面词和情感词之间的依存关系,这可能导致错误的或缺失的三元组预测。为了解决这些挑战,我们提出了DASA,这是一个为跨领域ASTE量身定制的数据增强和句法分析的统一框架。具体来说,我们首先通过基于成分句法分析构建短语结构树来进行句法引导的源领域数据重建,并应用上下文词性约束,从而生成反映目标领域风格同时保持句法一致性的训练样本。为了解决提取过程中建模方面-情感依赖关系的难度,我们构建了句法依存图和词性组合图,并使用图注意力机制进行三元组提取。最后,在统一的表格填充框架内预测情感三元组。
我们为实验构建了六个跨领域数据集。实验结果表明,我们的方法显著提高了跨领域方面情感三元组提取的性能。我们的贡献可以总结如下:
  • •
    我们提出了一种基于成分句法分析的数据增强方法,通过短语结构树和上下文词性限制重建源领域数据,使其具有目标领域的特征。
  • •
    我们构建了句法依存图和词性组合图,并引入了图注意力机制,以有效捕获和利用句法结构和词性信息,从而增强了方面词和情感词之间的关联。
  • •
    我们在公共数据集上进行了实验,结果表明我们的方法在跨领域ASTE任务上取得了最先进的性能。
在本文的其余部分,第2节回顾了ASTE和跨领域适应的相关工作。第3节详细介绍了DASA,包括任务设置、数据增强、编码器和句法GAT以及三元组预测。第4节介绍了数据集、指标、基线和实现。第5节报告了结果、消融研究、实验分析和可视化。第6节进行了总结,第7节讨论了局限性。

相关工作

相关工作

与本研究相关的工作主要分为两类:方面情感三元组提取方法和跨领域适应方法。前者关注方面词、情感词和情感极性的联合提取,而后者研究如何利用源领域的标注数据来提高模型在未标注或资源匮乏的目标领域的迁移能力。下面,我们将从这两个角度回顾相关工作,并进一步

方法论

在本节中,我们将详细介绍DASA的实现细节,其概览如图2所示。

数据集

为了验证我们提出模型的有效性,我们在[32]发布的基准数据集ASTE-Data-V22上进行了实验,该数据集涵盖了餐厅和笔记本电脑领域。ASTE-Data-V2来源于三个ABSA SemEval挑战赛,即SemEval-2014[33]、SemEval-2015[34]和SemEval-2016[35],包含四个数据集:Lap14、Rest14、Rest15和Rest16。ASTE-Data-V2的统计数据如下所示

主要结果

我们在表2中报告了各种模型在六个跨领域数据集上的F1分数。实验结果表明,我们提出的方法在Micro-F1分数方面显著优于其他基线模型。具体来说,与DGSEP相比,我们的方法提高了2.48%。
实验结果表明,我们提出的方法有效增强了模型的领域适应能力和提取方面情感三元组的能力。而GTS、BMRC、BART-ABSA、Span-ASTE等

结论

在本文中,我们提出了一种创新的跨领域方面情感三元组提取方法。为了解决数据分布差异带来的挑战,我们采用了数据增强技术。首先,我们使用短语结构树和上下文词性约束重建源领域数据,以增强其在目标领域的特征表示,从而提高分类器学习目标领域方面和评价词的能力。

局限性和未来工作

我们的实验是在英语数据集上进行的,DASA在多语言或跨语言环境中的适用性仍有待验证。由于不同语言之间的句法结构、词性模式和表达习惯存在很大差异,我们的句法引导增强和图推理的有效性可能在转移到其他语言时有所不同。在未来的工作中,我们将在多语言/跨语言情感基准测试上评估DASA,并扩展该框架

CRediT作者贡献声明

孔向杰:监督、概念化。陈建林:方法论、形式分析、数据整理。易秋华:项目管理、调查。张晨伟:写作——审稿与编辑、监督。徐梦飞:资源、项目管理。朱丽楠:验证、资源。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金(编号62176234、62072409、62476247)的部分支持,以及Supcon研究基金(资助编号KYY-HX-20230833)和Lantai研究基金(资助编号KYY-HX-20240573、KYY-HX-20230365、KYY-HX-20250588)的支持。
孔向杰(IEEE高级会员)分别于2004年和2009年在浙江大学获得学士学位和博士学位。他目前是中国浙江工业大学计算机科学与技术学院的正教授。此前,他曾是中国大连理工大学软件学院的副教授。他在国际期刊和会议上发表了200多篇科学论文(其中超过170篇被ISI索引)
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